Python Hypothesis框架seed与derandomize差异及混合使用问询

一、seed与derandomize的核心区别 #

• seed：用于指定测试用例生成的初始随机基准值，它是Hypothesis生成测试数据的起点，但默认情况下，Hypothesis会结合额外的随机因子（如内部策略、执行上下文）来拓展用例，并非完全依赖该seed生成固定序列。
• derandomize：是全局随机化控制开关，设置为True时，Hypothesis会禁用所有额外随机逻辑，强制测试完全遵循指定seed（无指定则用默认固定值），确保每次运行的测试用例、执行路径完全一致；设置为False时，即便指定了固定seed，Hypothesis仍会在基础seed之上引入其他随机变量（如进程ID、内部随机增量），生成不同的测试序列。

二、状态测试中同时使用固定seed与derandomize的行为 #

• 固定seed + settings.derandomize=False：Hypothesis以指定seed为基础，但在状态转换的选择、数据生成的细节等环节，会加入额外随机因子，因此每次运行的状态路径、测试数据都会存在差异。
• 固定seed + settings.derandomize=True：Hypothesis严格按照固定seed生成所有测试用例和状态转换逻辑，无额外随机干扰，测试流程、触发的状态完全一致，结果可稳定复现。

三、固定seed+derandomize=False结果不同的排查方法 #

1. 检查外部随机源使用：确认状态测试的RuleBasedStateMachine规则中，是否直接调用了random模块等外部随机工具（而非Hypothesis提供的生成器），这类外部随机不受Hypothesis的seed控制，会导致结果差异。
2. 查看Hypothesis统计日志：运行测试时添加参数--hypothesis-show-statistics，对比两次运行的用例序列、状态转换步骤，定位差异出现的具体环节。
3. 排查外部状态依赖：检查测试是否依赖数据库、文件系统等外部资源，或存在全局变量、类变量的状态残留，这些外部状态的变化会导致测试结果不同，与Hypothesis随机化无关。
4. 验证seed生效情况：在测试中打印hypothesis.settings().seed，确认指定的seed已被正确读取；优先使用@settings(seed=xxx)装饰器显式指定，避免环境变量传递可能出现的未生效问题。
5. 确认Hypothesis版本一致性：不同版本的Hypothesis随机化策略可能有细微调整，确保多次运行使用同一版本的框架。

内容的提问来源于stack exchange，提问作者Zhou Cheng