Ecosistema de Testing

Guía de Dobles de Prueba y Datos de Test

Aprende a aislar la unidad bajo prueba de sus colaboradores con dobles de prueba (dummy, stub, spy, mock, fake) y a manejar los datos de test sin ahogarte en setup. Esta guía continúa el caso Reservo justo donde termina la de fundamentos: ahora reservar y cancelar tocan el mundo exterior a través de un `BookingService` que orquesta cuatro colaboradores — un `Clock` para la hora, un `PaymentGateway` para cobrar y reembolsar, un `EmailSender` para confirmar, y un `BookingRepository` para persistir. Ahí es donde los dobles se vuelven necesarios: no puedes probar contra un servicio de pago real en cada test. Aprendes el vocabulario preciso de la taxonomía de Meszaros, a stubear lo que ENTRA a la unidad, a verificar con mocks y spies lo que SALE, a construir un fake que funciona de verdad, y a reconocer el "infierno de mocks" que acopla tus tests a la implementación. Cierra con el patrón Builder para datos de test que se leen por intención, y un proyecto final donde eliges y justificas el doble correcto para cada colaborador del `BookingService`.

64 lecciones

Guía de Testing de Aplicaciones Backend

Aprende testing backend completo: pytest fundamentals, fixtures, mocking con unittest.mock y pytest-mock, integration testing con test databases y factories, E2E testing con FastAPI TestClient, coverage con pytest-cov, TDD workflow, y CI con GitHub Actions. Construye un test suite production-grade con 80%+ coverage.

48 lecciones

Guía de Testing E2E con Playwright

Aprende testing end-to-end (E2E) a través del navegador con Playwright, en su versión para Python (`pytest-playwright`). E2E es la punta de la pirámide de tests: pocos, más caros de correr, pero prueban el sistema COMPLETO como lo haría un usuario real. Sobre una página mínima de Reservo (elegir sala, tier y horas, cotizar el precio, reservar y ver la confirmación), practicas locators centrados en el usuario (`get_by_role`, `get_by_label`, `get_by_test_id`) en vez de selectores CSS/XPath frágiles, acciones con auto-waiting, y aserciones web-first con `expect()` que reintentan automáticamente hasta un timeout — la técnica que elimina el flakiness de raíz, sin un solo `sleep` fijo. Cubres cómo estructurar una suite con la fixture `page`, `conftest.py` y aislamiento de contexto de navegador por test, cómo manejar UI del mundo real (diálogos, navegación, archivos), y cómo depurar con el trace viewer y el UI mode antes de correr todo en CI. Cierra con un proyecto final: la suite E2E completa del flujo de reservas de Reservo, con casos borde y el pipeline de CI.

64 lecciones

Guía de Performance y Load Testing con k6

Aprende la diferencia entre "¿funciona?" y "¿aguanta bajo carga?" con performance y load testing usando k6, la herramienta estándar de la industria. Cubres los tipos de prueba (smoke, load, stress, spike, soak), la anatomía de un script k6 y su modelo de VUs (usuarios virtuales), las métricas que importan de verdad (latencia p95/p99, throughput/RPS, tasa de error — y por qué el promedio miente), los perfiles de carga con `stages`, y los thresholds: umbrales que hacen PASAR o FALLAR una prueba automáticamente, como un quality gate de rendimiento. El caso de estudio es una API de Reservo (`GET /rooms`, `POST /quote`, `POST /book`) corriendo en local: como k6 no está instalado en el entorno de la guía, sus scripts y su salida se muestran como contenido claramente rotulado y verificado contra la documentación oficial, mientras que las métricas reales (p95, RPS, tasa de error) se calculan de verdad con un generador de carga en Python que golpea la API. Cierra con un proyecto final: una prueba de carga completa smoke → load → stress, con thresholds, checks del flujo de negocio (cotizar → reservar) y el pipeline de CI.

64 lecciones

Guía de Diagnóstico de Fallos de Test

Aprende a diagnosticar por qué falla un test — la habilidad que ninguna guía de "cómo escribir tests" cubre. Un test rojo es información, no un enemigo: esta guía te enseña el método científico del debugging (hipótesis → experimento) aplicado a fallos de pytest, empezando por leer un reporte de fallo sin ahogarte (el traceback, el assert-rewriting, `--showlocals`, `--tb=short/long/line`) y aislar el fallo hasta su reproducción mínima. Después entras al depurador interactivo con `pytest --pdb` y los comandos básicos de `pdb`, aprendes a diagnosticar tests flaky (que a veces pasan y a veces no) y tests con dependencia de orden o estado compartido, y cierras con la búsqueda binaria: usar `git bisect` para encontrar exactamente qué commit rompió un test. Todo el material práctico son suites de Reservo con fallos plantados a propósito, de distinto tipo, que aprendes a diagnosticar uno por uno. El proyecto final te entrega una suite rota con varios fallos de tipos distintos y te pide un log completo de diagnóstico — síntoma, hipótesis, experimento, causa y fix — por cada uno.

64 lecciones

Guía de Arquitectura de Framework de Automatización

Aprende a pasar de "scripts de test sueltos" a un framework de automatización mantenible con pytest. Esta guía cubre la arquitectura de fixtures como columna vertebral del framework, la jerarquía de `conftest.py`, cómo organizar la suite en capas (unit/integration) o por feature, los marcadores personalizados y la configuración (`pytest.ini`/`pyproject.toml`) como contrato del framework, una biblioteca de utilidades y aserciones compartidas en vez de copy-paste, cómo extender pytest con plugins y hooks propios, y la arquitectura de datos y entornos que mantiene el framework portátil entre local y CI. Cierra con un proyecto capstone: diseñar y construir un framework de tests real para Reservo, con fixtures compartidas, marcadores, biblioteca de helpers y configuración por entorno.

64 lecciones

Guía para Revisar Tests Generados por IA

Desarrolla el criterio para revisar críticamente los tests que escribe una IA (Copilot, Claude, Cursor y similares). Una IA genera tests rápido y verosímiles, pero pueden ser tautológicos (pasan siempre, no prueban nada), probar la implementación en vez del comportamiento, olvidar casos borde y de error, tener aserciones débiles que dan falsos verdes, o usar datos irreales y nombres engañosos. Esta guía enseña a detectar cada uno de esos defectos, aplicar una checklist sistemática de revisión y decidir, con criterio, qué test sirve, cuál hay que fortalecer y cuál hay que reescribir. Cierra con un proyecto capstone: revisar una suite de Reservo "generada por IA" con defectos de varios tipos, marcar cada uno con su categoría, corregirla y entregar el informe de revisión junto con la suite arreglada.

64 lecciones

Guía de Contract e Integration Testing

Aprende dos disciplinas que empiezan justo donde terminan los tests unitarios con dobles: el contract testing (verificar que dos componentes que se hablan están de acuerdo en su contrato, consumer/provider) y el integration testing (verificar que los componentes funcionan JUNTOS de verdad, cruzando la costura, con recursos reales). El hilo conductor: un test unitario en verde puede esconder una integración rota, porque el doble mentía. Sobre el caso Reservo extendido con un `BookingRepository` real basado en SQLite (junto al fake ya conocido), practicas escribir un contract test consumer-driven que corre la misma batería contra el fake y contra lo real, verificar el contrato desde los dos lados (consumer y provider), y escribir integration tests que crucen las fronteras reales del sistema — una transacción de SQLite, un archivo, un límite HTTP mínimo — decidiendo qué mantener real y qué doblar. Cierra con aislamiento de datos en integración (rollback de transacciones, recursos temporales) y un proyecto final que combina un contrato verificado contra ambas implementaciones con una prueba de integración completa del `BookingService`.

64 lecciones

Guía de Property-Based y Testing Avanzado

Aprende property-based testing con Hypothesis: en vez de escribir tests para los ejemplos que se te ocurrieron, defines una propiedad (un invariante) que debe cumplirse para TODA entrada, y dejas que Hypothesis genere y busque el caso que la rompe. Esta guía cubre el primer test con `@given` y las estrategias básicas, cómo describir el espacio de entradas con estrategias compuestas (`@st.composite`), los patrones para encontrar propiedades (invariante, round-trip, oráculo, metamórfica, idempotencia), el shrinking (cómo Hypothesis reduce un caso que falla al ejemplo mínimo), property-based testing con estado con `RuleBasedStateMachine`, y un ramo de técnicas avanzadas adicionales (fixtures parametrizadas, una probada de mutation testing, fuzzing). Cierra con un proyecto capstone: encontrar y corregir un bug real de Reservo usando property-based testing.

64 lecciones

Guía de Testing en CI/CD

Aprende a correr tu suite de tests automáticamente en cada cambio con integración continua. Esta guía cubre qué es un pipeline, cómo escribir tu primer workflow de GitHub Actions que corre pytest en cada push, cómo reproducir localmente un fallo que solo aparece en CI (la brecha de entorno, dependencias pinneadas), la matriz de versiones de Python y sistemas operativos, cómo acelerar la suite con caché de dependencias y paralelismo (`pytest-xdist`), las puertas de calidad (umbrales de cobertura que rompen el build) y qué hacer con los tests flaky que solo fallan en CI. Cierra con un proyecto capstone: armar un pipeline de CI completo para Reservo con matriz de versiones, puerta de cobertura, caché y paralelismo, entregando el workflow YAML junto con el setup de paridad local.

64 lecciones

Guía de Estrategia de Prueba y Quality Engineering

No puedes probar todo, así que la pregunta real es qué probar, en qué nivel y cuánto. Esta guía enseña a decidir la estrategia de prueba de un proyecto y las bases de quality engineering: la calidad como disciplina de todo el equipo, no solo de quien escribe tests. Cubre la pirámide de tests y sus críticas (el anti-patrón cono de helado, la alternativa testing trophy), el testing basado en riesgo (priorizar por impacto × probabilidad), cuándo un test no vale la pena y hay que borrarlo, métricas de calidad más allá de la cobertura (mutation score, tasa de flaky, defect escape rate), el presupuesto de flaky y la salud de la suite, y la calidad como disciplina de equipo (shift-left, revisión de tests, definición de "hecho"). Corona el ecosistema de guías de Testing: cierra con un proyecto capstone donde escribes el documento de estrategia de prueba completo para Reservo, con evidencia medida.

64 lecciones

Guía de Fundamentos de Docker

Domina Docker aplicado a aplicaciones AI: construye imágenes optimizadas, containeriza apps FastAPI + LLM, orquesta stacks multi-servicio con Docker Compose (API + ChromaDB + Redis), y aplica best practices de producción incluyendo multi-stage builds, secrets management y health checks. 8 módulos progresivos que te llevan de tu primer container a un stack AI production-ready con un solo comando. La puerta de entrada a producción en el AI Engineering Path.

64 lecciones

Guía de Monitoreo y Observabilidad

Domina la observabilidad de sistemas AI en producción con OpenTelemetry, el estándar de la industria en 2026. Aprende a instrumentar aplicaciones LLM con traces de prompts, embeddings y tool calls, crear dashboards para latency y cost, diseñar estrategias de alerting, implementar monitoring AI-específico (calidad de prompts, uso de tokens, model drift) y debuggear issues de producción como hallucinations y cost spikes. Integración con LangSmith y backends de monitoring.

64 lecciones

Guía de Depuración y Diagnóstico

Toma un fallo desconocido —un traceback de treinta líneas, un resultado silenciosamente incorrecto, una regresión enterrada en doscientos commits o un test que falla uno de cada treinta días— y apréndelo a reproducir, acorralar hasta la línea exacta y explicar con evidencia, antes de pedirle nada a un modelo; y cuando se lo pides, aprende a verificar si la respuesta es correcta. Los seis módulos avanzan de leer el fallo (lo que un traceback ya te está diciendo) al método que va del síntoma a la causa raíz, al depurador para detener el programa y mirar por dentro, al logging para diagnosticar lo que ya pasó, a la bisección para acorralar regresiones y fallos intermitentes, y cierran con la IA en el ciclo: usarla después de entender el error, no en su lugar. El proyecto final es un dossier de depuración sobre un repositorio con cinco fallos de naturaleza distinta —incluida una regresión que exige `git bisect run`— resueltos con protocolo, evidencia y test de regresión.

48 lecciones