为什么ML系统需要多层次测试？
传统的软件开发测试（单元测试、集成测试等）无法直接覆盖ML系统的特有风险：数据分布变化、模型非确定性、特征工程错误等。ML系统必须同时测试三个维度：数据、模型和代码，并确保特征管道（feature pipeline）、训练管道（training pipeline）和推理管道（inference pipeline）之间的集成正确。只有构建多层次的测试体系，才能在生产环境中尽早发现并阻断问题。
六种核心测试类型
在ML开发周期中，通常使用六种测试类型，它们从不同粒度覆盖系统：
| 测试类型 | 测试目标 | ML中典型示例 |
|---|---|---|
| 单元测试 | 单个函数/组件 | 检查文本清洗函数是否能正确移除停用词 |
| 集成测试 | 组件间交互 | 验证特征工程管道与特征存储的数据格式是否一致 |
| 系统测试 | 端到端全流程 | 从数据接入到模型推理，验证最终输出符合预期 |
| 验收测试 | 满足业务需求 | 确认模型在特定业务场景下的准确率达标 |
| 回归测试 | 防止旧bug重现 | 每次代码修改后重新执行所有测试集 |
| 压力测试 | 极限条件下的稳定性 | 在高并发请求下检查推理服务的响应时间 |
回归测试并非独立阶段
回归测试并不作为一个独立的测试阶段，它应该跨所有测试层级执行——单元、集成、系统、验收和压力测试中都需要回归机制，以确保新变更不会重新引入之前修复的错误。
测试什么：以黑盒视角关注输入与输出
大多数测试将组件视为黑盒，关注点集中在：
- 输入：数据类型、格式、长度、边界值（min/max、小/大等）
- 输出：数据类型、格式、异常处理、中间结果与最终结果
这种视角适用于所有维度的测试，无论是数据、模型还是代码。
代码测试示例
经典软件工程中的测试思路可以直接应用到ML代码中。以下是一些必须验证的代码逻辑：
文本清洗测试
验证一个句子经过清洗函数后是否得到期望结果。例如：
# 期望：去除标点、统一小写defclean_text(text
