我在这个问题的上下文是在Python中。
假设检验库（即基于财产的检验）： https://hypothesis.readthedocs.io/en/latest/
答案 0 :(得分：8)
这些是非常不同的野兽，但两者都会提高测试的价值和质量。这两个工具都有助于使“我的代码覆盖率为N％”语句更有意义。
Hypothesis可帮助您在已测试的函数的已定义范围内生成各种测试输入。
通常，当您需要测试函数时，您提供了多个示例值，试图涵盖由代码覆盖率报告驱动的所有用例和边缘情况 - 这就是所谓的“基于示例的测试”。另一方面，假设实现了基于属性的测试，生成了大量不同的输入和输入组合，有助于捕获不同的常见错误，例如除以零，standalone.xml，0，逐个错误等，并帮助找到隐藏的错误。
Mutation testing就是在针对修改后的代码版本执行测试时，即时更改您的测试代码。
这确实有助于查看您的测试是否实际测试了他们应该测试的内容，以了解测试的价值。如果您已经拥有丰富的测试代码库和良好的代码覆盖率，那么变异测试将会真正发挥作用。
这些Python播客是什么帮助我了解这些概念：
答案 1 :(得分：1)
我是mutmut的作者，或者是mutmut，它是python的（imo）最佳突变测试器。 @alecxe有一个很好的答案，但我想扩展一下。在了解我的基本背景之前，请先阅读他的答案。
还有一些其他很大的差异，例如PBT需要脑力劳动来为每个测试功能指定规则，而MT则需要您证明代码中的所有行为都是合理的，而这需要更少的认知工作。
MT实际上是白盒和PBT黑盒。
另一个差异是MT是对（相当小的）有限空间的探索，而PBT是对无限空间的探索（实际上是）。一个实际的结果是，您可以轻易地知道何时使用MT完成了 ，而PBT运行了数年之久，而且您不知道它是否搜索了空间的相关部分。因此，更好的PBT规则从根本上减少了运行时间。
突变测试还可以强制执行最少的代码。这是一个令人惊讶的效果，但这是我一次又一次的经历。对于MT来说，这是一个不错的小奖励。
您还可以将MT用作简单的清单，以达到100％的突变覆盖率，而无需从100％的覆盖率开始，根本不需要。但是使用PBT，您可以在覆盖率低于100％的情况下开始，实质上是在开始覆盖之前为0％。
我希望这可以进一步澄清这种情况。