我这个问题的上下文是在 Python 中。
假设检验库（即基于属性的检验）： https://hypothesis.readthedocs.io/en/latest/
【问题讨论】：
标签： python testing mutation-testing hypothesis-test property-based-testing
这些是非常不同的野兽，但两者都会提高您的测试的价值和质量。这两种工具都有助于并使“我的代码覆盖率是 N%”语句更有意义。
Hypothesis 将帮助您在定义的范围内为被测函数生成各种测试输入。
通常，当您需要测试一个函数时，您会提供多个示例值，试图涵盖由代码覆盖率报告驱动的所有用例和边缘情况 - 这就是所谓的“基于示例的测试”。另一方面，假设实现了基于属性的测试，生成一大堆不同的输入和输入组合，有助于捕捉不同的常见错误，如除以零、None、0、非一错误等，并帮助发现隐藏的错误错误。
Mutation testing 是关于在针对修改后的代码版本执行测试时动态更改被测代码。
这确实有助于了解您的测试是否真的在测试他们应该测试的内容，以了解您的测试的价值。如果您已经拥有丰富的测试代码库和良好的代码覆盖率，那么变异测试会非常出色。
帮助我掌握这些概念的是这些 Python 播客：
【讨论】：
我是作者或 mutmut，是（imo）python 的最佳突变测试者。 @alecxe 有一个很好的答案，但我想扩展它。在我之前阅读他的回答以了解基本背景。
还有一些其他重大差异，例如 PBT 需要脑力劳动来为每个被测函数指定规则，而 MT 需要您证明代码中的所有行为是合理的，这需要更少的认知努力。
MT 实际上是白盒和 PBT 黑盒。
另一个区别是，MT 是对（相当小的）有限空间的探索，而 PBT 是对无限空间的探索（实际上来说）。一个实际的结果是，您可以微不足道地知道您何时完成 MT，而您可以进行多年的 PBT 运行，但您无法知道它是否搜索了空间的相关部分。出于这个原因，更好的 PBT 规则从根本上缩短了运行时间。
变异测试还强制使用最少的代码。这是一个令人惊讶的效果，但这是我一次又一次经历的事情。这对 MT 来说是一个不错的小奖励。
您还可以使用 MT 作为一个简单的清单来获得 100% 的突变覆盖率，您不需要从 100% 的覆盖率开始，根本不需要。但是使用 PBT，您可以从低于 100% 的覆盖率开始，本质上是在开始之前为 0%。
我希望这可以进一步澄清情况。
【讨论】：