ClawdDotNet/docs/Teststrategie.md

ClawdDotNet — Teststrategie

Ergänzung zur Bestandsaufnahme. Ziel: Fehlerklassen wie B1 (Compaction zerstört tool_call-Paarung) und B2 (Race Condition) strukturell unmöglich machen, statt sie im Betrieb zu entdecken.

Leitgedanke: Nicht Coverage maximieren, sondern die teuren Fehler abfangen. In diesem Projekt sind das drei Kategorien:

1. Kontext-Invarianten — ungültige Nachrichtensequenzen kosten API-Fehler mitten im Lauf
2. Sicherheitsgrenzen — Pfad-, SQL-, URL- und Empfänger-Prüfungen
3. Nebenläufigkeit & Zeit — Scheduler, paralleler Chat-Zugriff, Cron

UI-Layout, Designer-Code und Fremdbibliotheken werden bewusst nicht getestet.

---

1. Voraussetzung: Testbarkeit herstellen

Vier kleine Refactorings, ohne die die wichtigsten Tests nicht schreibbar sind.

R1 — IChatCompletionClient extrahieren ⚠️ blockiert alles Weitere

AgentEngine.cs:15 und ContextCompactor.cs:10 hängen an der konkreten, sealed-Klasse OpenRouterClient. Ohne Interface ist kein einziger Engine-Test möglich.

public interface IChatCompletionClient
{
    Task<ChatResponse> CompleteAsync(ChatRequest request, CancellationToken ct);
}

public sealed class OpenRouterClient : IChatCompletionClient, IDisposable { … }

Dazu ein FakeChatClient im Testprojekt, der eine vorprogrammierte Antwortfolge liefert und alle empfangenen Requests mitschreibt:

internal sealed class FakeChatClient : IChatCompletionClient
{
    private readonly Queue<Func<ChatRequest, ChatResponse>> _responses = new();
    public List<ChatRequest> ReceivedRequests { get; } = new();

    public FakeChatClient RespondsWithText(string text) { … }
    public FakeChatClient RespondsWithToolCall(string tool, string argsJson) { … }
    public FakeChatClient Throws(Exception ex) { … }

    public Task<ChatResponse> CompleteAsync(ChatRequest request, CancellationToken ct)
    {
        // Tiefe Kopie ablegen — die Engine mutiert die Nachrichtenliste weiter!
        ReceivedRequests.Add(DeepClone(request));
        …
    }
}

Die tiefe Kopie ist wesentlich: AgentEngine reicht dieselbe List<ChatMessage>-Instanz weiter und verändert sie danach. Ohne Kopie prüfen die Tests den Endzustand statt des tatsächlich gesendeten Requests.

R2 — TimeProvider statt DateTime.Now

.NET 10 bringt TimeProvider mit; FakeTimeProvider steckt in Microsoft.Extensions.TimeProvider.Testing. Betrifft CronExpression.cs:53, AgentScheduler.cs:75, ToolJobScheduler.cs:111.

Damit werden Zeitumstellungs- und Langzeit-Tests deterministisch und laufen in Millisekunden statt in Echtzeit.

R3 — IProcessRunner für externe Prozesse

SocialMediaManagerTool.cs:442 startet yt-dlp/ffmpeg direkt. Für den Injection-Test (S2) muss die Argumentbildung ohne Prozessstart prüfbar sein:

internal static string[] BuildYtDlpArgs(string url, …);   // rein, testbar
public interface IProcessRunner { Task<ProcessResult> RunAsync(string exe, string[] args, CancellationToken ct); }

R4 — Dateisystem nicht abstrahieren

Bewusste Entscheidung: Die Path-Traversal-Tests sollen echte Windows-Pfadsemantik prüfen (.., UNC, Alternate Data Streams, Trailing Dots). Eine IFileSystem-Abstraktion würde genau die Fehlerklasse verstecken, um die es geht. Stattdessen ein Temp-Verzeichnis-Fixture:

internal sealed class TempWorkspace : IDisposable
{
    public string Personal { get; }
    public string Shared { get; }
    public TempWorkspace() { /* unter Path.GetTempPath()/clawd-tests/{guid} anlegen */ }
    public void Dispose() { /* rekursiv löschen, Fehler schlucken */ }
}

---

2. Projektstruktur & Stack

tests/
  ClawdDotNet.Core.Tests/          ← Engine, Compaction, LoopGuard, Cron, Config, State
  ClawdDotNet.Tools.Tests/         ← alle Tool-Projekte, v.a. Sicherheitsgrenzen
  ClawdDotNet.Integration.Tests/   ← echte Endpunkte, standardmäßig übersprungen

Paket	Zweck
xunit.v3	Test-Framework
Shouldly	Assertions — lesbar, frei nutzbar. (FluentAssertions ist ab v8 für kommerzielle Nutzung kostenpflichtig; falls gewünscht ist AwesomeAssertions ein freier Fork von v7.)
NSubstitute	Mocks für ILogger, IStateStore, IAgentTool
Microsoft.Extensions.TimeProvider.Testing	FakeTimeProvider
FsCheck.Xunit	Property-Based Tests für die Kontext-Invarianten
Verify.Xunit	Snapshot-Tests des Request-JSON

Die drei Projekte in ClawdDotNet.slnx unter einem Ordner /tests/ eintragen.

Nebenbefund: In ClawdDotNet.slnx fehlen vier Tool-Projekte (AgentComm, AgentSpawn, AgentEditor, SocialMediaManager), obwohl sie in src/ClawdDotNet.App/ClawdDotNet.App.csproj referenziert sind. Sie sollten mit aufgenommen werden, sonst laufen sie in der IDE-Solution nicht mit.

---

3. Die Tests

Prio 1 — Regressionstests für die gefundenen Bugs

Vorgehen: erst den roten Test, dann den Fix. Diese Tests sind der eigentliche Beleg, dass die Bugs behoben sind — und sie bleiben als Wächter erhalten.

3.1 ContextCompactor — Kontext-Invarianten (deckt B1 ab)

Das Herzstück. Ich würde eine wiederverwendbare Prüffunktion bauen und sie überall einsetzen:

internal static class ContextInvariants
{
    /// Wirft, wenn die Nachrichtenfolge von der API abgelehnt würde.
    public static void AssertValid(IReadOnlyList<ChatMessage> messages)
    {
        // 1. Höchstens eine system-Nachricht, und zwar an Position 0
        // 2. Jede tool-Nachricht hat eine unmittelbar vorausgehende Gruppe,
        //    deren assistant-Nachricht ein tool_call mit passender Id enthält
        // 3. Jede assistant-Nachricht mit N tool_calls hat genau N tool-Antworten
        // 4. Keine tool-Nachricht ohne ToolCallId
    }
}

#	Test	Erwartung
C1	Compaction bei Tail-Grenze mitten in einer Tool-Sequenz	AssertValid besteht — schlägt heute fehl
C2	Compaction bei assistant(2 tool_calls) → tool → tool an der Grenze	Beide tool-Antworten bleiben zusammen mit ihrem Aufruf
C3	System-Prompt vorhanden	Bleibt an Position 0 erhalten
C4	Kein System-Prompt vorhanden	Kein leerer/erfundener System-Eintrag
C5	LLM-Zusammenfassung wirft Exception	Nachrichtenliste bleibt unverändert und gültig (kein halb geleerter Zustand)
C6	LLM liefert leeren String zurück	dito
C7	PruneToolResults	Kürzt nur außerhalb der letzten 6 Nachrichten
C8	PruneToolResults bei Inhalt ≤ 2000 Zeichen	Bleibt unverändert (kein Marker angehängt)
C9	EstimateTokens	Monoton: mehr Inhalt ⇒ nie weniger Tokens
C10	Compaction unterhalb der Schwelle	Kein API-Call an den Fake (spart Geld!)

Property-Based (FsCheck) — der wertvollste Test des ganzen Projekts:

[Property(MaxTest = 500)]
public Property Compaction_erhaelt_immer_eine_gueltige_Sequenz()
{
    return Prop.ForAll(ValidConversationGenerator(),   // 1..200 gültige Nachrichten
        async conversation =>
        {
            await _compactor.CompactIfNeededAsync(conversation, 999_999, _guard, "m", default);
            ContextInvariants.AssertValid(conversation);
        });
}

Ein Generator für gültige Konversationen (System, dann abwechselnd User/Assistant, gelegentlich Assistant-mit-N-Tool-Calls gefolgt von genau N Tool-Antworten) findet Grenzfälle, die von Hand niemand schreibt — genau die Klasse, in die B1 fällt.

3.2 LoopGuard (deckt B3 ab)

#	Test	Erwartung
L1	MaxSteps erreicht	Wirft bei Schritt N+1, nicht bei N
L2	Konstanter 20k-Kontext über 10 Schritte	Bricht nicht ab — definiert die Zielsemantik nach dem Fix
L3	Kostenbudget überschritten	Wirft mit klarer Meldung, welches Limit griff
L4	100 parallele RecordStep	Zähler exakt 100 (Interlocked-Korrektheit)

L2 ist der Test, der den heutigen Fehlentwurf festnagelt: Er schlägt mit den aktuellen Defaults fehl und geht nach der Trennung von maxCumulativeTokens und maxContextTokens durch.

3.3 AgentEngine — Nebenläufigkeit (deckt B2 ab)

#	Test	Erwartung
E1	Zwei parallele ChatAsync für denselben Agenten	Kontext danach AssertValid; schlägt heute fehl
E2	50 parallele ChatAsync, je 2 Tool-Schritte	Keine Exception, Nachrichtenzahl deterministisch
E3	AbortChat bei zwei laufenden Läufen	Beide werden abgebrochen
E4	Parallele Läufe für verschiedene Agenten	Laufen wirklich parallel (keine globale Serialisierung)

E4 ist wichtig als Gegenprobe: Der Fix für B2 darf nicht versehentlich alle Agenten gegeneinander sperren.

3.4 CronExpression & Scheduler (deckt B6, B7 ab)

#	Test	Erwartung
R1	Tabelle: */30 * * * *, 0 3 * * 1-5, 0 0 29 2 *, 15,45 * * * *	Korrekte nächste Zeitpunkte
R2	Invariante über viele Ausdrücke	GetNextOccurrence(t) > t und Matches(ergebnis)
R3	Ungültig: "* * *", "99 * * * *", "a b c d e", "*/0 * * * *"	Saubere FormatException — heute wirft teils int.Parse/DivideByZero
R4	Zeitumstellung Oktober, 0 2 * * *	Feuert genau einmal
R5	Zeitumstellung März, 0 2 * * *	Feuert trotzdem (wird nicht übersprungen)
R6	0 3 1 1 * (jährlich)	Scheduler überlebt Wartezeit > 24 Tage — schlägt heute fehl
R7	Lauf dauert länger als das Intervall	Keine Überlappung, keine Aufstauung
R8	Exception in einem Job-Tick	Scheduler-Schleife läuft weiter, Fehler wird geloggt

3.5 Kostenerfassung (deckt B4 ab)

#	Test	Erwartung
K1	Modell nicht in der Preistabelle	Sichtbar markiert (nicht stillschweigend 0)
K2	anthropic/claude-sonnet-4-5 (der Default!)	Liefert einen Preis ≠ 0
K3	95k Prompt / 5k Completion	Exakter Betrag gegen handgerechneten Wert — kein 50/50-Split

---

Prio 2 — Sicherheitstests

Diese Tests sind gleichzeitig die dauerhafte Dokumentation der Bedrohungsmodelle. Jeder Angriffsvektor aus der Bestandsaufnahme wird ein [Theory]-Fall.

3.6 FileRW — Pfadsicherheit (deckt S6 ab)

[Theory]
[InlineData("../../../Windows/System32/drivers/etc/hosts")]
[InlineData(@"..\..\evil.txt")]
[InlineData(@"C:\Windows\System32\config\SAM")]
[InlineData(@"\\server\share\evil.txt")]
[InlineData("subdir/../../../outside.txt")]
[InlineData("file.txt:hidden")]          // Alternate Data Stream
[InlineData("file.txt.")]                // Windows entfernt den Punkt
[InlineData("  ..  /../evil.txt")]
public async Task Read_lehnt_Pfade_ausserhalb_des_Workspace_ab(string path) { … }

Plus der Präfix-Angriff, der heute durchgeht:

#	Test	Erwartung
F1	Root …\Workspace, Ziel …\Workspace-Backup\x.txt	Abgelehnt — schlägt heute fehl
F2	Endungs-Whitelist: .exe, .ps1, .dll	Abgelehnt
F3	.TXT bei Whitelist .txt	Erlaubt (Groß/Kleinschreibung)
F4	report.txt.exe	Abgelehnt
F5	copy mit destinationPath außerhalb des Ziel-Workspace	Abgelehnt (eigener Pfad, eigener Test!)
F6	sharedAccessLevel: Denied	Jede shared-Aktion abgelehnt
F7	ReadWrite + delete in shared	Abgelehnt (nur Admin)
F8	protectedPath stocks/, Schreiben auf existierende stocks/x.json	Abgelehnt
F9	protectedPath stocks/, Schreiben auf neue stocks/y.json	Erlaubt
F10	protectedPath stocks/, Pfad stocks-alt/x.json	Nicht geschützt (Präfix-Verwechslung)
F11	Admin-Level + protectedPath	Umgeht den Schutz
F12	20 parallele stock_add auf denselben Ticker	_index.json enthält exakt 20 Einträge, gültiges JSON

F12 deckt B9 ab und ist ein echter Nebenläufigkeitstest gegen das Dateisystem.

3.7 DatabaseTool — SQL-Whitelist (deckt S1 ab)

Die Bypass-Tests. Alle schlagen heute fehl und definieren die Zielsemantik:

#	SQL	AccessLevel	Erwartung
D1	DELETE FROM users -- prices	ReadWrite	Abgelehnt
D2	SELECT * FROM users WHERE note='prices'	ReadOnly	Abgelehnt
D3	SELECT * FROM prices; DROP TABLE users	Admin	Abgelehnt (Mehrfach-Statement)
D4	SELECT * FROM prices	ReadOnly	Erlaubt
D5	SELECT * FROM prices WHERE note='update'	ReadOnly	Erlaubt (heutiger False Positive)
D6	UPDATE prices SET x=1	ReadOnly	Abgelehnt
D7	UPDATE prices SET x=1	ReadWrite	Erlaubt
D8	DROP TABLE prices	ReadWrite	Abgelehnt
D9	allowedTables fehlt komplett	egal	Abgelehnt (fail closed)
D10	SELECT mit 10.000 Zeilen Ergebnis	ReadOnly	Ergebnis wird gekappt

D4/D5/D7 sind die Gegenproben — sie verhindern, dass der Fix zu restriktiv wird und legitime Abfragen blockiert.

3.8 WebFetch — SSRF (deckt S5 ab)

Mit einem FakeHttpMessageHandler, der Redirects simuliert:

#	Test	Erwartung
W1	Erlaubte Domain → Redirect auf nicht erlaubte	Abgelehnt — schlägt heute fehl
W2	http://169.254.169.254/latest/meta-data/	Abgelehnt
W3	http://localhost:8418/	Abgelehnt (privates Netz)
W4	http://192.168.178.10/	Abgelehnt
W5	file:///C:/Windows/win.ini	Abgelehnt
W6	Whitelist example.com, URL example.com.attacker.net	Abgelehnt
W7	Whitelist example.com, URL sub.example.com	Erlaubt
W8	Host mywww.example.com	Wird nicht zu myexample.com verstümmelt
W9	Antwort größer als maxResponseKb	Sauber gekappt, kein OOM

3.9 Mail — Empfängerprüfung

#	Test	Erwartung
M1	Nicht gelistete Adresse	Abgelehnt
M2	ALLOWED@X.DE bei Whitelist allowed@x.de	Erlaubt
M3	allowed@x.de, evil@y.de (zwei in einem Feld)	Abgelehnt
M4	"allowed@x.de" <evil@y.de> (Display-Name-Trick)	Abgelehnt
M5	allowedRecipients fehlt	Abgelehnt (fail closed)
M6	read_inbox mit 500 Mails	Ergebnis gekappt

3.10 SocialMediaManager — Argument-Injection (deckt S2 ab)

#	Test	Erwartung
Y1	BuildYtDlpArgs("--exec calc.exe https://youtube.com/x")	Wirft oder quotet — nie als eigene Option
Y2	URL https://evil.com/x	Abgelehnt (nur YouTube-Domains)
Y3	URL mit Leerzeichen/Anführungszeichen	Erscheint als ein Argument in ArgumentList
Y4	Legitime URL/Handle (@kanal, volle URL)	Wird korrekt aufgelöst

3.11 DirectAPI — Key-Leak (deckt S3 ab)

Ein einzelner, sehr einfacher Test mit hohem Wert:

[Fact]
public async Task Ergebnis_enthaelt_niemals_den_ApiKey()
{
    const string key = "SECRET-KEY-12345";
    var result = await _tool.ExecuteAsync(QuoteFor("NVDA"), ContextWithKey(key), default);
    result.Content.ShouldNotContain(key);          // schlägt heute fehl
}

Analog für alle Provider (twelvedata, alphavantage, massive) und alle Aktionen — als [Theory]. Dieselbe Prüfung sollte es zusätzlich für die Log-Ausgabe geben.

---

Prio 3 — Engine-Verhalten (mit FakeChatClient)

#	Test	Erwartung
A1	Antwort ohne tool_calls	Genau 1 API-Call, FinalMessage korrekt, Status Completed
A2	Antwort mit 2 tool_calls, dann Text	2 Tools ausgeführt, 2 tool-Nachrichten mit passenden Ids, dann 2. Call
A3	Tool wirft Exception	Lauf läuft weiter, Fehler kommt als tool-Antwort ins Modell
A4	Modell ruft nicht zugewiesenes Tool auf	PermissionGate greift, Fehlermeldung als tool-Antwort, kein Absturz
A5	Modell ruft unbekanntes Tool auf	Saubere Fehlermeldung
A6	Timeout (FakeTimeProvider)	Status Cancelled
A7	Externe Cancellation	Status Cancelled
A8	Loop-Limit erreicht	Status LoopLimitExceeded
A9	OnRunCompleted feuert in jedem Endzustand genau einmal	Parametrisiert über alle 5 Status
A10	System-Prompt	Im Request genau einmal enthalten
A11	FullSystemPrompt leer	Kein leerer system-Eintrag im Request
A12	Tool-Ergebnis über Limit	Gekappt (nach T2-Fix)
A13	send_message A→B→A	Nach maxDelegationDepth abgebrochen (nach B8-Fix)
A14	spawn auf bereits laufenden Agenten	Abgelehnt mit Hinweis
A15	Snapshot des Request-JSON (Verify)	Wire-Format bleibt stabil

A9 und A15 sind Invarianten-Tests mit überproportionalem Nutzen: A9 verhindert, dass beim Erweitern der Fehlerbehandlung die Token-Erfassung stillschweigend ausfällt; A15 schützt beim Caching-Umbau (T1) davor, das Wire-Format versehentlich zu verändern.

---

Prio 4 — Konfiguration & Persistenz

#	Bereich	Test
P1	ConfigLoader	Fehlender openRouterApiKey → aussagekräftige Exception
P2	ConfigLoader	Doppelte agentId → Exception mit beiden Namen
P3	ConfigLoader	JSON mit Kommentaren und trailing commas wird akzeptiert
P4	ConfigLoader	Datei fehlt → FileNotFoundException mit Pfad
P5	Chat-Persistenz	Round-Trip History + Context, inkl. tool_calls
P6	Chat-Persistenz	Beide Alt-Formate lesbar (Array und {"messages":[…]})
P7	Chat-Persistenz	Korrupte JSON-Datei → Warnung, Agent startet trotzdem
P8	Chat-Persistenz	Umlaute/Emoji überleben den Round-Trip (UTF-8)
P9	SqliteStateStore	Set/Get/Delete Round-Trip; Überschreiben; unbekannter Key → null
P10	SqliteStateStore	50 parallele Schreibzugriffe → kein database is locked
P11	AgentConfig.FullSystemPrompt	Reihenfolge Identity → Soul → SystemPrompt
P12	AgentConfig.FullSystemPrompt	Leere Teile werden ausgelassen, kein doppelter Leerraum
P13	ToolRegistry	GetForAgent liefert nur zugewiesene Tools

P10 ist relevant, weil alle Tool-Jobs denselben Store teilen.

---

Prio 5 — Token & Caching (nach dem Umbau aus T1)

Diese Tests sichern ab, dass die Optimierung tatsächlich greift — ein stillschweigend nicht funktionierender Cache wäre sonst nicht bemerkbar.

#	Test	Erwartung
T1	Cache-Breakpoint	Sitzt am Ende von System-Prompt und Tool-Definitionen
T2	Präfix-Stabilität über 10 Schritte	Serialisierter Präfix ist byte-identisch — der entscheidende Test
T3	cached_tokens	Wird aus der Antwort gelesen und in AgentRunResult weitergereicht
T4	Compaction	Nutzt summaryModel, nicht agentConfig.Model
T5	Tool-Ergebnis-Kappung	Greift bei allen Tools zentral, nicht nur bei WebFetch
T6	max_tokens	Ist im Request gesetzt

T2 ist der Test, der den ganzen Caching-Aufwand absichert: Ein einziger Zeitstempel im System-Prompt würde den Cache bei jedem Schritt invalidieren — die Kosten blieben unverändert, ohne dass es irgendwo auffällt.

---

4. Arbeitsregeln

Test-first bei Bugfixes. Für jeden Punkt aus der Bestandsaufnahme zuerst den roten Test, dann den Fix. Das beweist, dass der Test den Fehler wirklich fängt — ein nachträglich geschriebener Test bestätigt oft nur die Implementierung.

Keine echten Netzwerkzugriffe in Unit-Tests. Sie sind langsam, flaky und kosten bei OpenRouter echtes Geld. Integrationstests kommen ins separate Projekt und werden markiert:

[Trait("Category", "Integration")]

Standardlauf:

dotnet test --filter "Category!=Integration"

Zeit immer über TimeProvider. Kein Thread.Sleep, kein Task.Delay in Tests — sonst dauert die Suite Minuten und wird instabil.

Nebenläufigkeitstests wiederholen. Race Conditions treten sporadisch auf; einmaliges Bestehen sagt wenig:

[Theory]
[Repeat(50)]

Benennung durchgängig deutsch, im Stil Methode_Bedingung_Erwartung: Compaction_bei_Toolsequenz_an_der_Grenze_erhaelt_gueltige_Paarung.

---

5. Startpaket

Für die erste Sitzung schlage ich ~35 Tests vor, die exakt die fünf Sofort-Punkte abdecken:

Reihenfolge	Umfang	Deckt ab
1. R1 (IChatCompletionClient) + Testprojekte anlegen	Refactoring	Voraussetzung
2. ContextInvariants.AssertValid + C1–C10 + Property-Test	~12 Tests	B1
3. L1–L4	4 Tests	B3
4. E1–E4	4 Tests	B2
5. Y1–Y4	4 Tests	S2
6. DirectAPI Key-Leak (alle Provider)	~6 Tests	S3
7. A9 + A15 (Invarianten)	6 Tests	Absicherung für den Umbau

Danach ist die Basis da, um die Fixes aus der Bestandsaufnahme mit Netz umzusetzen — und die Prio-2-Sicherheitstests lassen sich schrittweise ergänzen, wenn die jeweiligen Tools angefasst werden.

Langfristig sinnvoll: ein Gitea-Actions-Workflow, der bei jedem Push dotnet test --filter "Category!=Integration" ausführt.