Tests de mutation expliqués : pourquoi une couverture à 100 % n’a toujours pas détecté notre bug

  1. Accueil
  2. Blog
  3. Tests de logiciels

Tests de logiciels

Les tests de mutation expliqués : Pourquoi une couverture à 100 % n’a toujours pas raté notre bug

Les tests de mutation vérifient vos tests en implantant de petits bugs dans le code et en voyant si les tests les détectent. Nous avons construit un petit outil de mutation, l’avons exécuté sur une suite avec une couverture complète, et il a encore trouvé trois lacunes.

9 min de lecture
Tests de mutation expliqués : pourquoi une couverture à 100 % n'a toujours pas détecté notre bug

À retenir

  • Les tests de mutation apportent de nombreuses petites modifications au code, appelées mutants, et exécutent vos tests sur chacun d’entre eux.
  • Une suite de tests tue un mutant lorsqu’au moins un test échoue. La part tuée est le score de mutation.
  • Notre suite avait une couverture de ligne de 100 %, mais n’a obtenu que 79 %, manquant trois bugs de limites. Deux tests aux limites l’ont porté à 100 %.
  • Il est lent, alors exécutez-le sur des modules critiques ou des fichiers modifiés plutôt que sur l’intégralité de la base de code à chaque validation.

La couverture du code vous indique les lignes exécutées par vos tests. Cela ne vous dit pas si les tests détecteraient si ces lignes étaient fausses. Un test peut exécuter une ligne et ne rien affirmer à ce sujet. Les tests de mutation répondent à la question la plus difficile : si un développeur introduisait un petit bug ici, un test échouerait-il ?

Pour montrer comment cela fonctionne sans nous cacher derrière un outil, nous avons écrit un petit testeur de mutation dans environ 60 lignes de Python à l’aide du module ast, puis l’avons exécuté avec Python 3.13.6. Chaque numéro ci-dessous provient de cette course. De vrais outils tels que PIT, Stryker et mutmut font le même travail à grande échelle ; nous les décrivons plus tard mais ne les avons pas présentés ici.

Qu’est-ce que le test de mutation ?

Le processus comporte quatre étapes :

  1. Exécutez vos tests sur le code d’origine. Ils doivent passer.
  2. Créez un mutant : une copie du code avec un petit changement, comme >= transformé en >.
  3. Exécutez les tests contre le mutant. Si un test échoue, le mutant est tué. Si tout réussit, il survivra.
  4. Répétez l’opération pour de nombreux mutants et signalez ceux qui ont survécu.

Chaque mutant survivant est un bug concret que vos tests laisseraient passer. Cela rend le résultat bien plus exploitable qu’un pourcentage de couverture.

Termes clés

Durée Signification
mutant Une version du code avec une modification délibérée
Opérateur de mutation Une règle pour apporter des modifications, comme les « opérateurs de comparaison de swap »
Tué Au moins un test a échoué contre le mutant
A survécu Chaque test a réussi, donc le changement est passé inaperçu
Score de mutation Mutants tués divisés par le nombre total de mutants
Mutant équivalent Un changement qui ne modifie pas le comportement, donc aucun test ne peut le tuer

Le code en test

def shipping_fee(total, is_member):
    if total >= 500:
        return 0
    if is_member:
        return 20
    return 50

Les commandes de 500 ou plus sont expédiées gratuitement, les membres paient 20 et tous les autres en paient 50. La limite à exactement 500 est l’endroit où les bugs aiment se cacher, comme l’explique notre guide d’analyse des valeurs limites.

Une suite avec une couverture complète et des chèques faibles

def weak_tests(f):
    assert f(600, False) == 0
    assert f(100, True) == 20
    assert f(100, False) == 50

Ces trois tests semblent raisonnables, un par résultat. Nous avons retracé l’exécution et confirmé que la suite utilisait les cinq lignes de corps, ce qui représente une couverture de ligne à 100 %. Tout rapport de couverture montrerait cette fonction comme étant entièrement testée. Notre guide de couverture du code explique pourquoi ce chiffre à lui seul peut induire en erreur, et cet exemple le montre.

Les 14 mutants que nous avons générés

Notre outil a parcouru l’arbre syntaxique et appliqué trois opérateurs :

  • Remplacement d’opérateur relationnel : >= est devenu >, <, <= et == (4 mutants).
  • Changement constant : chaque nombre, 500, 0, 20 et 50, est déplacé de haut en bas de un (8 mutants).
  • Négation de condition : chaque condition if a été enveloppée dans not (2 mutants).

Le cœur de l’outil est court. Il copie en profondeur l’arborescence, modifie un nœud, compile le résultat et exécute la suite de tests sur celui-ci :

def build(tree, idx, kind, val):
    t = copy.deepcopy(tree)
    for i, node in enumerate(ast.walk(t)):
        if i == idx:
            if kind == "op":    node.ops = [val()]
            if kind == "const": node.value = val
            if kind == "neg":   node.test = ast.UnaryOp(op=ast.Not(), operand=node.test)
    ast.fix_missing_locations(t)
    ns = {}
    exec(compile(t, "<mutant>", "exec"), ns)
    return ns["shipping_fee"]

Astuce : exécuter du code muté avec exec convient parfaitement pour une démo sur votre propre code. De vrais outils isolent également chaque exécution de mutant et ajoutent des délais d’attente, car certains mutants créent des boucles infinies.

Résultats : 79 % avec une couverture complète

original passes both suites
weak suite executes body lines: [3, 4, 5, 6, 7]
mutants generated: 14
weak: killed 11/14 = 79%; survivors: ['line 3: >= -> Gt', 'line 3: 500 -> 501', 'line 3: 500 -> 499']

Onze mutants sont morts, ce qui montre que les tests ont vérifié les résultats. Les trois survivants se situent tous à la limite de la livraison gratuite :

  • >= à > : une commande d’exactement 500 entraînerait à tort des frais. Aucun test n’a utilisé 500.
  • 500 à 501 : le même bug, écrit différemment.
  • 500 à 499 : une commande de 499 serait expédiée gratuitement à tort. Aucun test utilisé 499.

Chaque survivant est un bug crédible du monde réel, du genre qu’un refactor précipité introduit. La couverture disait « terminé » ; les tests de mutation ont répertorié trois bogues qui seraient livrés.

Tuer les survivants

def strong_tests(f):
    weak_tests(f)
    assert f(500, False) == 0     # exactly on the boundary
    assert f(499, False) == 50    # just below it
    assert f(499, True) == 20     # just below it, member
strong: killed 14/14 = 100%; survivors: []

Les tests de frontière ont tué les trois survivants. Remarquez ce qui a changé : pas plus de lignes couvertes, mais des assertions plus précises aux valeurs exactes où le comportement change. C’est la vraie leçon. Les tests de mutation ne se contentent pas d’évaluer votre suite ; cela indique le test spécifique que vous avez oublié. Dans pytest, ceux-ci deviendraient des cas paramétrés distincts, comme le montre notre tutoriel pytest.

Opérateurs de mutation courants

Opérateur Exemple de changement Bug qu’il imite
Relationnel >= à > Un par un à une frontière
Arithmétique + à - Mauvaise formule
Logique and à or Logique de mauvaise condition
Constante 500 à 501 Mauvais seuil ou limite
Valeur de retour return x à return None Résultat ignoré par les tests
Suppression de la déclaration Supprimer un appel de méthode Effet secondaire manquant, comme une sauvegarde

Les opérateurs de valeur de retour et de suppression d’instructions sont particulièrement efficaces pour trouver des tests qui appellent du code mais ne vérifient jamais ce qu’il a fait.

Mutants équivalents

Certains mutants ne peuvent pas être tués car ils se comportent exactement comme l’original. Par exemple, si un index de boucle commence à 0 et que le code vérifie i != len(items), le remplacer par i < len(items) peut produire des résultats identiques. Ces mutants équivalents gonflent la liste des survivants et doivent être examinés par une personne. C’est l’une des raisons pour lesquelles les équipes recherchent rarement un score de mutation de 100 % sur de grandes bases de code ; un score élevé sur le code critique est une meilleure cible.

Outils de test de mutation

  • PIT (Pitest) pour Java et la JVM, largement utilisé avec Maven et Gradle.
  • Stryker pour JavaScript et TypeScript, C# (Stryker.NET) et Scala.
  • mutmut et Cosmic Ray pour Python.
  • cargo-mutants pour Rust et Infection pour PHP.

Nous n’avons pas utilisé ces outils pour cet article. Ils ajoutent ce qui manque à notre démo : beaucoup plus d’opérateurs, d’exécutions parallèles, de délais d’attente, de mise en cache et de rapports HTML montrant chaque survivant dans votre source.

Coût et exécution dans CI

Chaque mutant signifie un autre test. Nos 14 mutants ont été instantanés, mais un vrai module peut en produire des milliers, donc une exécution complète peut prendre des heures. Des moyens pratiques pour que ce soit abordable :

  • Exécutez-le sur fichiers modifiés uniquement dans les requêtes d’extraction et sur la base de code complète tous les soirs ou toutes les semaines.
  • Dirigez-le vers la logique critique telle que la tarification, les autorisations et les calculs, et non vers le code généré ou les simples getters.
  • Gardez les tests unitaires rapides et déterministes ; un test floconneux donne l’impression que les mutants ont été tués au hasard, ce que couvre notre guide des tests floconneux.
  • Suivez le score au fil du temps au lieu de forcer une porte dure dès le premier jour.

Quand les tests de mutation en valent la peine

Cela convient mieux là où une mauvaise réponse coûte cher : facturation, taxes, remises, contrôle d’accès et validation des données. Cela est également utile lorsqu’une équipe fait trop confiance aux chiffres de couverture ou lorsque vous héritez d’une vaste suite de tests et souhaitez savoir si elle vous protège réellement. Pour des prototypes rapides, une mise en page de l’interface utilisateur ou du code avec quelques tests unitaires, commencez par les bases de notre guide de la pyramide de tests. L’associer à des tests basés sur les propriétés est puissant, car les entrées générées tuent souvent les survivants qui manquent dans les exemples triés sur le volet.

Pour conclure

Les tests de mutation testent vos tests. Dans notre petit exemple, une suite avec une couverture de ligne parfaite laisse toujours passer trois bugs de limite, et l’outil nomme chacun d’entre eux. L’ajout de deux contrôles de limites précis a corrigé le problème. Vous n’avez pas besoin de tout muter ; exécutez-le là où les erreurs coûtent le plus cher et traitez chaque survivant comme un test que vous n’avez pas encore écrit.

Questions fréquentes

Qu’est-ce que le test de mutation en termes simples ?

Il insère délibérément de petits bugs, appelés mutants, dans le code et exécute vos tests. Si un test échoue, le bug a été détecté. Les bugs qui réussissent tous les tests révèlent les points faibles de la suite.

Qu’est-ce qu’un bon score de mutation ?

Il n’existe pas de numéro universel. Visez haut la logique critique et examinez les survivants plutôt que de courir après 100 %, car des mutants équivalents ne peuvent pas être tués. Notre exemple est passé de 79 à 100 pour cent.

En quoi les tests de mutation sont-ils différents de la couverture du code ?

La couverture montre quelles lignes ont été exécutées pendant les tests. Les tests de mutation montrent si les tests détectent un comportement erroné. Notre suite avait une couverture de ligne à 100 pour cent mais manquait trois mutants limites.

Quels outils sont utilisés pour les tests de mutation ?

Les outils populaires incluent PIT pour Java, Stryker pour JavaScript, TypeScript et C#, mutmut et Cosmic Ray pour Python, cargo-mutants pour Rust et Infection pour PHP.

Pourquoi les tests de mutation sont-ils lents ?

Chaque mutant a besoin de son propre test, et les projets réels génèrent des milliers de mutants. Limitez les exécutions aux fichiers modifiés ou aux modules critiques et maintenez les tests unitaires rapides.

Continuez à apprendre

Travailler avec Stack Quora

Besoin d’aide pour les tests, WordPress ou le référencement ?

Nous aidons les équipes à proposer de meilleurs logiciels et à développer leurs sites. Dites-nous sur quoi vous travaillez et nous vous proposerons une prochaine étape claire.

Continuez à lire

Plus de guides sur tests, IA et développement moderne

Vous avez apprécié cet article ? Choisissez un sujet et accédez directement à nos nouveaux didacticiels.

Intelligence artificielle

Stratégies de fragmentation RAG expliquées : fixe, chevauchement, phrase, récursif et en-têtes, mesurés

Stratégies de segmentation RAG comparées sur un document avec tiktoken 0.14 : taille fixe, chevauchement, regroupement de phrases, fractionnement ré…

Lire l'article →
Développement logiciel

L'idempotence de l'API expliquée : clés d'idempotence et tentatives sécurisées, testées

L'idempotence de l'API expliquée avec un serveur et un client Python que nous avons exécutés : une réponse perdue provoquait une double charge sans …

Lire l'article →
DevOps

Git Stash expliqué : enregistrer, appliquer, afficher et fichiers non suivis, testé

Git stash expliqué avec les commandes que nous avons exécutées sur Git 2.56 : pousser avec un message, fichiers non suivis, lister et afficher, appl…

Lire l'article →
Tests logiciels

Explication des tests par paires : comment toutes les paires réduisent 216 tests à 13, testé

Tests par paires expliqués avec un générateur que nous avons exécuté dans Python 3.13 : une vérification avec 216 combinaisons couvertes par 13 test…

Lire l'article →
Automatisation des tests

Explication des doubles de test : factice, stub, espion, simulé et faux, avec du code Python testé

Les tests doubles sont expliqués avec un exemple Python exécuté dans pytest 9.2 : factice, stub, espion, simulé et faux, quand les utiliser, les vér…

Lire l'article →
Bases de données et SQL

SQL COALESCE expliqué : valeurs par défaut, NULLIF, IFNULL vs ISNULL et Traps, testées

SQL COALESCE expliqué avec les requêtes que nous avons exécutées dans SQLite 3.50 : premières valeurs non nulles, chaînes vides, NULL en mathématiqu…

Lire l'article →
Bases de données et SQL

SQL Self Join expliqué : employé-manager, comparaisons de paires et de lignes, testés

L'auto-jointure SQL expliquée avec les requêtes que nous avons exécutées dans SQLite 3.50 : employé et manager, gagnant plus que le manager, paires …

Lire l'article →
Développement logiciel

Explication de l'opérateur de propagation JavaScript : propagation vs repos, copies et pièges, testé

L'opérateur de propagation JavaScript expliqué avec le code que nous avons exécuté sur le nœud 24 : tableaux, objets, copies superficielles, paramèt…

Lire l'article →
Développement logiciel

Module de collections Python expliqué : compteur, defaultdict, deque et plus, testé

Les collections Python expliquées avec le code que nous avons exécuté sur Python 3.13 : Counter, defaultdict, deque, approvedtuple, OrderedDict et C…

Lire l'article →
Intelligence artificielle

Fenêtre contextuelle LLM expliquée : jetons, limites et comment en adapter davantage, mesurés

La fenêtre contextuelle LLM expliquée avec le nombre de jetons que nous avons mesurés à l'aide de tiktoken : mots par rapport aux jetons pour la pro…

Lire l'article →
Développement logiciel

Les webhooks expliqués : comment ils fonctionnent et comment les recevoir en toute sécurité

Webhooks expliqués avec un récepteur et un expéditeur que nous avons exécutés en Python : push vs polling, signatures HMAC-SHA256, rejet des requête…

Lire l'article →
DevOps

Git Cherry-Pick expliqué : copiez le commit dont vous avez besoin, en toute sécurité et testé

Git Cherry-pick expliqué avec les commandes que nous avons exécutées dans Git 2.56 : copie d'un correctif dans une branche de version, nouveaux hach…

Lire l'article →
Automatisation des tests

Les tests instantanés expliqués : comment cela fonctionne, quand cela aide et quand cela fait mal

Les tests d'instantanés expliqués avec une démo pytest et sirupeuse que nous avons exécutée : création d'instantanés, lecture de la différence après…

Lire l'article →
Tests logiciels

Tests de mutation expliqués : pourquoi une couverture à 100 % n'a toujours pas détecté notre bug

Les tests de mutation expliqués avec un petit outil de mutation que nous avons construit et exécuté : 14 mutants, une suite de tests avec une couver…

Lire l'article →
Intelligence artificielle

L'injection rapide expliquée : comment les applications d'IA sont trompées et comment les défendre

L'injection rapide expliquée aux constructeurs : attaques directes et indirectes, pourquoi les filtres de mots clés échouent (notre test a bloqué 1 …

Lire l'article →
DevOps

Enregistrements DNS expliqués : A, AAAA, CNAME, MX, TXT et TTL avec de vraies recherches

Enregistrements DNS expliqués avec les recherches que nous avons effectuées : fonctionnement de la résolution, A et AAAA, règles CNAME, MX et null M…

Lire l'article →
DevOps

Explication des indicateurs de fonctionnalités : versions sécurisées, déploiements progressifs et hygiène des indicateurs

Les indicateurs de fonctionnalités expliqués avec une simulation de déploiement que nous avons exécutée : types d'indicateurs, déploiements en pourc…

Lire l'article →
Automatisation des tests

Génération de données de test avec Python Faker : données réalistes, reproductibles et sûres

Testez la génération de données avec Python Faker, exécutez et mesurez : amorçage de données répétables, paramètres régionaux, valeurs uniques, enre…

Lire l'article →
Tests logiciels

Explication des tests Shift-Left : recherchez les bugs plus tôt sans ralentir l'équipe

Les tests Shift-Left ont expliqué : ce que cela signifie, pourquoi les premiers défauts sont moins chers, les pratiques allant de l'examen des exige…

Lire l'article →
Bases de données et SQL

Fonctions de chaîne SQL expliquées : TRIM, SUBSTR, REPLACE, CONCAT et nettoyage des données

Fonctions de chaîne SQL expliquées avec les requêtes que nous avons exécutées : concaténation et NULL, TRIM, UPPER et LOWER, SUBSTR et INSTR, REPLAC…

Lire l'article →
Bases de données et SQL

Déclencheurs SQL expliqués : déclencheurs AVANT et APRÈS, journaux d'audit et pièges

Déclencheurs SQL expliqués avec les déclencheurs que nous avons exécutés : AVANT ou APRÈS, ANCIEN et NOUVEAU, journaux d'audit, validation, mises à …

Lire l'article →
Développement logiciel

Module Python JSON expliqué : vidages, chargements, types personnalisés et erreurs courantes

Le module Python JSON expliqué avec le code que nous avons exécuté : dumps et chargements, fichiers, conversions de types, dates et décimales, encod…

Lire l'article →
Développement logiciel

Modules ES vs CommonJS : fonctionnement des importations JavaScript dans Node.js, testé

Les modules ES et CommonJS expliqués avec le code que nous avons exécuté dans Node.js : syntaxe d'importation et d'exportation, exigences, liaisons …

Lire l'article →
Développement logiciel

Python Regex expliqué : modèles, groupes, anticipations et pièges, testés

L'expression régulière Python expliquée avec les modèles que nous avons exécutés : recherche contre correspondance, recherche tout, groupes et group…

Lire l'article →
Intelligence artificielle

Explication de la sortie structurée LLM : obtenir un JSON fiable à partir de modèles d'IA

Sortie structurée LLM expliquée avec la validation que nous avons exécutée dans Pydantic : mode et schémas JSON, décodage contraint, façons dont les…

Lire l'article →
DevOps

Clés SSH expliquées : comment elles fonctionnent, ssh-keygen, Ed25519 et habitudes sûres

Clés SSH expliquées avec les clés que nous avons générées : clés publiques ou privées, ssh-keygen, Ed25519 vs RSA, empreintes digitales, phrases sec…

Lire l'article →
DevOps

La mise en cache HTTP expliquée : Cache-Control, ETag et 304 réponses, avec un test en direct

La mise en cache HTTP expliquée avec un petit serveur que nous avons exécuté : directives Cache-Control, max-age, no-cache vs no-store, revalidation…

Lire l'article →
Automatisation des tests

Explication des tests des contrats API : détectez les modifications majeures avant leur expédition

Les tests de contrat API ont été expliqués à l'aide d'une vérification de schéma que nous avons effectuée : ce qu'est un contrat, les contrats axés …

Lire l'article →
Tests logiciels

Explication des tests basés sur les risques : évaluez les risques, créez une matrice et testez ce qui compte

Les tests basés sur les risques sont expliqués étape par étape : identification des risques, notation de la probabilité et de l'impact, création d'u…

Lire l'article →
Bases de données et SQL

Contraintes SQL expliquées : NOT NULL, UNIQUE, CHECK et FOREIGN KEY, testées

Les contraintes SQL expliquées avec les tests que nous avons exécutés : NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY et FOREIGN KEY, les failles NULL, …

Lire l'article →
Bases de données et SQL

Fonctions de date SQL expliquées : ajout, comparaison et regroupement de dates sans bugs

Fonctions de date SQL expliquées avec les requêtes que nous avons exécutées : ajout d'intervalles, surprises de fin de mois, différences de dates, p…

Lire l'article →
Développement logiciel

Python asyncio expliqué : asynchrone, attendre, rassembler et TaskGroup avec des timings réels

Python asyncio expliqué avec le code que nous avons chronométré : coroutines, wait, collect, TaskGroup, gestion des erreurs, délais d'attente, limit…

Lire l'article →
Développement logiciel

Debounce vs Throttle en JavaScript : comment ils fonctionnent, quand les utiliser, testés

Debounce vs throttle en JavaScript expliqué avec les timings que nous avons mesurés dans Node.js : comment chacun fonctionne, implémentations simple…

Lire l'article →
Développement logiciel

Les gestionnaires de contexte Python expliqués : l'instruction with, contextlib et les utilisations réelles

Les gestionnaires de contexte Python ont expliqué avec le code que nous avons exécuté : comment cela fonctionne, __enter__ et __exit__, contextlib.c…

Lire l'article →
Intelligence artificielle

Température LLM et Top-p expliqués : comment les modèles d'IA choisissent leur prochain mot

La température LLM et le top-p expliqués à l'aide d'une simulation que nous avons exécutée : comment les probabilités sont remodelées, ce que conser…

Lire l'article →
DevOps

YAML expliqué : syntaxe, problème norvégien et autres pièges que nous avons testés

YAML expliqué avec un test d'analyseur : syntaxe de base, listes et cartes, le problème de la Norvège, les versions se transformant en flottants, co…

Lire l'article →
DevOps

Les tâches Cron expliquées : syntaxe, horaires réels et erreurs qui les interrompent

Les tâches Cron expliquées avec les plannings que nous avons vérifiés : les cinq champs, les opérateurs, des exemples réels, le piège du jour du moi…

Lire l'article →
Intelligence artificielle

Les hallucinations de l'IA expliquées : pourquoi les modèles de langage inventent les choses et comment les réduire

Les hallucinations de l'IA ont expliqué : ce qu'elles sont, pourquoi les modèles de langage les produisent, les types courants, comment les réduire …

Lire l'article →
DevOps

Variables d'environnement expliquées : fichiers .env, secrets et configuration correctement effectués

Variables d'environnement expliquées avec des exemples Python que nous avons exécutés : lecture et définition, pourquoi chaque valeur est une chaîne…

Lire l'article →
Développement logiciel

Limitation du débit de l'API expliquée : algorithmes, en-têtes et gestion des erreurs 429

Limitation du débit de l'API expliquée avec une simulation que nous avons exécutée : compartiment de jetons, fenêtre fixe, fenêtre glissante, 429 ré…

Lire l'article →
Automatisation des tests

Se moquer en Python : unittest.mock, patch et les erreurs qui font mentir les tests

Moquerie en Python avec unittest.mock, testée : Mock et return_value, side_effect, correctifs où un nom est utilisé, spec et autospec, dates moqueus…

Lire l'article →
Tests logiciels

Couverture du code expliquée : couverture des lignes par rapport aux branches et ce que signifie réellement 100 %

Couverture du code expliquée avec une véritable exécution de cover.py : couverture des lignes, des branches et des conditions, lecture d'un rapport,…

Lire l'article →
Bases de données et SQL

DELETE vs TRUNCATE vs DROP dans SQL : différences, restauration et quand les utiliser

DELETE vs TRUNCATE vs DROP expliqué avec SQL testé : ce que chacun supprime, restauration, déclencheurs, réinitialisation d'identité, vitesse et en …

Lire l'article →
Bases de données et SQL

Vues SQL expliquées : créez, utilisez et évitez les pièges, avec des exemples

Vues SQL expliquées avec les requêtes que nous avons exécutées : création d'une vue, résultats en direct, masquage des colonnes, performances, vues …

Lire l'article →
Développement logiciel

Interface TypeScript vs Type : différences réelles, testées avec le compilateur

Interface TypeScript vs type, vérifiée avec le vrai compilateur : ce que les deux peuvent faire, ce qu'un seul peut faire, la fusion des déclaration…

Lire l'article →
Développement logiciel

Python *args et **kwargs expliqués : fonctions flexibles avec des exemples clairs

Python *args et **kwargs expliqués avec le code que nous avons exécuté : emballage et déballage, ordre des paramètres, arguments de mot-clé uniqueme…

Lire l'article →
Développement logiciel

Fonctions Python Lambda : syntaxe, utilisations réelles et quand ne pas les utiliser

Fonctions Python lambda expliquées avec le code que nous avons exécuté : syntaxe, tri avec clé, carte et filtre, fermetures, piège de liaison tardiv…

Lire l'article →
Intelligence artificielle

Que sont les agents IA ? Comment ils fonctionnent, avec une simple boucle d'agent que vous pouvez exécuter

Que sont les agents IA ? Un guide simple sur la boucle d'agent, les outils, la mémoire et les garde-fous, avec une petite boucle Python que nous avo…

Lire l'article →
DevOps

Surveillance vs observabilité : la vraie différence, avec les journaux, les métriques et les traces

Surveillance et observabilité expliquées : échecs connus et inconnus, journaux, métriques et traces, présentation pas à pas des incidents de paiemen…

Lire l'article →
DevOps

Volumes Docker vs montages Bind : conserver les données du conteneur de la bonne manière

Volumes Docker et montages de liaison expliqués : pourquoi les données du conteneur disparaissent, volumes nommés, montages de liaison, tmpfs, exemp…

Lire l'article →
Automatisation des tests

TDD vs BDD : principales différences, une fonctionnalité conçue dans les deux sens et quand les utiliser

TDD vs BDD expliqué avec une fonctionnalité de remise construite dans les deux sens : refactor rouge-vert avec le code que nous avons exécuté, scéna…

Lire l'article →
Tests logiciels

Tests d'acceptation utilisateur (UAT) : processus, liste de contrôle et exemples réels

Les tests d'acceptation des utilisateurs sont expliqués : qui les exécute, en quoi ils diffèrent du contrôle qualité, un processus en sept étapes, u…

Lire l'article →
Bases de données et SQL

Explication des valeurs SQL NULL : IS NULL, COALESCE, NULLIF et les pièges à éviter

Les valeurs SQL NULL expliquées avec les requêtes que nous avons exécutées : logique à trois valeurs, IS NULL, COALESCE, NULLIF, comment les agrégat…

Lire l'article →
Bases de données et SQL

Instruction SQL CASE WHEN : syntaxe, exemples réels et erreurs courantes

SQL CASE WHEN expliqué avec les requêtes que nous avons exécutées : formulaires simples et recherchés, ordre des conditions, pivots avec SUM, astuce…

Lire l'article →
Développement logiciel

Qu'est-ce que JWT ? Les jetons Web JSON expliqués avec un exemple fonctionnel

Qu’est-ce que JWT ? JSON Web Tokens expliqué : les trois parties, un jeton construit et falsifié dans le code que nous avons exécuté, JWT vs session…

Lire l'article →
Développement logiciel

Boucle d'événements JavaScript expliquée : pile d'appels, microtâches et minuteries avec des exemples

La boucle d'événements JavaScript expliquée avec le code que nous avons exécuté : pile d'appels, files d'attente de tâches et de microtâches, pourqu…

Lire l'article →
Développement logiciel

Générateurs Python et rendement expliqués : économisez de la mémoire avec des exemples réels

Les générateurs Python et le rendement expliqués avec le code que nous avons exécuté : comment ils s'arrêtent et reprennent, les économies de mémoir…

Lire l'article →
Intelligence artificielle

Que sont les intégrations ? Vecteurs et similarité cosinus expliqués simplement

Que sont les intégrations ? Un guide en langage simple sur les vecteurs, la similarité cosinus et la recherche sémantique, avec un petit exemple que…

Lire l'article →
DevOps

Déploiement Bleu-Vert vs Canary : différences, compromis et comment choisir

Explication du déploiement bleu-vert ou canari : comment chacun fonctionne, coût, risque et restauration, regroupement d'utilisateurs stable que nou…

Lire l'article →
Automatisation des tests

Tests instables : quelles sont leurs causes et comment les corriger définitivement

Des tests irréguliers expliqués avec des démos que nous avons exécutées : les principales causes, comment en confirmer et en diagnostiquer une, les …

Lire l'article →
Tests logiciels

Tests de charge vs tests de contrainte : différences, métriques et exemples k6

Explication des tests de charge et des tests de stress : ce que chacun prouve, les tests de pointe et de trempage, les métriques qui comptent, pourq…

Lire l'article →
Tests logiciels

Scénario de test et scénario de test : principales différences, exemples et quand les utiliser

Scénario de test et scénario de test expliqués : des définitions claires, un tableau côte à côte, une fonctionnalité de réinitialisation de mot de p…

Lire l'article →
Bases de données et SQL

Optimisation des requêtes SQL : lire les plans d'exécution et corriger les requêtes lentes, avec des délais

Optimisation des requêtes SQL testée sur un million de lignes : lire les plans d'exécution, ajouter les bons index, corriger les filtres non Sargabl…

Lire l'article →
Bases de données et SQL

SQL UNION vs UNION ALL : différences, exemples et performances testées

SQL UNION vs UNION ALL expliqué avec les requêtes que nous avons exécutées : des doublons, les règles suivent toutes les deux, un véritable bug de d…

Lire l'article →
Développement logiciel

Tutoriel API JavaScript Fetch : GET, POST, gestion des erreurs et délais d'attente

Un didacticiel de l'API JavaScript Fetch testé sur un serveur local : GET et POST, pourquoi 404 ne lance pas, un assistant réutilisable, des chaînes…

Lire l'article →
Développement logiciel

Gestion des fichiers Python : lecture, écriture, CSV, JSON et pathlib avec exemples

Gestion des fichiers Python expliquée avec le code que nous avons exécuté : modes ouverts, avec lecture de fichiers volumineux, CSV, JSON, pathlib, …

Lire l'article →
Développement logiciel

Classes et objets Python : didacticiel POO avec des exemples réels

Classes et objets Python expliqués avec le code que nous avons exécuté : __init__, méthodes, attributs de classe par rapport à l'instance, héritage,…

Lire l'article →
Intelligence artificielle

Qu'est-ce qu'un grand modèle de langage ? Comment fonctionnent les LLM, expliqués sans battage médiatique

Qu’est-ce qu’un grand modèle de langage ? Les LLM expliqués en langage simple : jetons, intégrations, attention, formation, fenêtres de température …

Lire l'article →
DevOps

Commandes Linux pour les débutants : le guide du terminal essentiel avec des exemples

Commandes Linux pour débutants, regroupées par tâche : navigation, fichiers, affichage des journaux, grep, tuyaux, autorisations, processus et archi…

Lire l'article →
Automatisation des tests

Selenium vs Playwright : principales différences, code comparé et lequel choisir

Comparatif Selenium vs Playwright : architecture, attente, support du navigateur et du langage, débogage, même test dans les deux outils, conseils d…

Lire l'article →
Tests logiciels

Partitionnement d'équivalence : technique de conception de tests expliquée avec des exemples concrets

Le partitionnement d'équivalence expliqué : comment trouver des partitions valides et invalides, des exemples concrets d'âges, de mots de passe et d…

Lire l'article →
Tests logiciels

Gravité vs priorité dans les tests logiciels : différences, matrice et exemples réels

Explication de la gravité et de la priorité dans les tests logiciels : des définitions claires, une matrice à quatre voies avec des exemples, des éc…

Lire l'article →
Bases de données et SQL

Tutoriel sur les sous-requêtes SQL : types, sous-requêtes corrélées et EXISTE avec des exemples

Un didacticiel sur les sous-requêtes SQL avec les requêtes que nous avons exécutées : les sous-requêtes scalaires, IN, FROM et SELECT, les sous-requ…

Lire l'article →
Bases de données et SQL

Transactions SQL et ACID expliquées : COMMIT, ROLLBACK et niveaux d'isolement

Transactions SQL et ACID expliquées avec un virement bancaire que nous avons effectué : COMMIT, ROLLBACK, points de sauvegarde, verrous, niveaux d'i…

Lire l'article →
Développement logiciel

Aide-mémoire sur les commandes Git : les commandes que vous utilisez réellement, avec des exemples

Une aide-mémoire sur les commandes Git regroupées par tâche : configuration, transfert, branches, télécommandes, cache, historique et annulation des…

Lire l'article →
Développement logiciel

Les promesses JavaScript expliquées : alors, catch, Promise.all et les erreurs courantes

Les promesses JavaScript expliquées avec le code que nous avons exécuté : les états, les chaînes then et catch, la gestion des erreurs, Promise.all,…

Lire l'article →
Développement logiciel

Tutoriel du dictionnaire Python : méthodes, exemples et modèles courants

Un didacticiel de dictionnaire Python avec du code que nous avons exécuté : créer, lire et mettre à jour des dictés, des méthodes clés, des fusions,…

Lire l'article →
Intelligence artificielle

Qu’est-ce que RAG ? La génération augmentée par récupération expliquée avec un exemple fonctionnel

Qu’est-ce que le RAG ? La génération augmentée par récupération expliquée étape par étape : indexation, segmentation, intégrations, récupération, un…

Lire l'article →
DevOps

Tutoriel Terraform pour les débutants : Infrastructure en tant que code du premier fichier aux modules

Un didacticiel Terraform pour les débutants : commencez sans compte cloud, apprenez l'initialisation, la planification et l'application, puis les va…

Lire l'article →
DevOps

Docker vs Kubernetes : principales différences, comment ils fonctionnent ensemble et ce dont vous avez besoin

Docker vs Kubernetes expliqué : ce que chacun fait, la même application s'exécute avec les deux, Docker Compose et Swarm comparés, les dockershim ch…

Lire l'article →
Automatisation des tests

Tutoriel Pytest pour les débutants : luminaires, paramétrage et exemples réels

Un tutoriel pytest pour les débutants avec des tests que nous avons exécutés sur pytest 9.2 : assertions, appareils, paramétrage, conftest, marqueur…

Lire l'article →
Tests logiciels

Cycle de vie des tests logiciels (STLC) : 6 phases, critères d'entrée et de sortie, exemple

Le cycle de vie des tests logiciels expliqué : six phases STLC avec des critères d'entrée et de sortie, des livrables, un exemple de fonctionnalité …

Lire l'article →
Développement logiciel

Git merge vs rebase : différences, exemples et quand utiliser chacun

Git merge vs rebase expliqué avec de vraies sorties de log, un tableau comparatif, la règle d'or du rebase et un flux de travail sûr pour les équipes.

Lire l'article →
Développement logiciel

List comprehension Python : syntaxe, exemples et cas à éviter

La list comprehension Python expliquée : syntaxe, filtres, if-else, boucles imbriquées, temps mesurés et cas où une boucle for classique est préféra…

Lire l'article →
Bases de données et SQL

Jointures SQL expliquées avec exemples (Inner, Left, Right, Full)

Comprenez les jointures SQL pas à pas avec des tables et requêtes d'exemple : INNER, LEFT, RIGHT, FULL, CROSS et SELF, plus erreurs courantes et con…

Lire l'article →