tests/test_components.py

import os
import torch
import pytest
from unittest.mock import patch

from cognitive_mapping_probe.llm_iface import get_or_load_model
from cognitive_mapping_probe.resonance_seismograph import run_silent_cogitation_seismic
from cognitive_mapping_probe.utils import dbg, DEBUG_ENABLED

# --- Tests for llm_iface.py ---

@patch('cognitive_mapping_probe.llm_iface.AutoTokenizer.from_pretrained')
@patch('cognitive_mapping_probe.llm_iface.AutoModelForCausalLM.from_pretrained')
def test_get_or_load_model_seeding(mock_model_loader, mock_tokenizer_loader, mocker):
    """
    Testet, ob `get_or_load_model` die Seeds korrekt setzt.
    Wir mocken hier die langsamen `from_pretrained`-Aufrufe.
    """
    # Mocke die Rückgabewerte der Hugging Face Ladefunktionen
    mock_model = mocker.MagicMock()
    mock_model.eval.return_value = None
    mock_model.set_attn_implementation.return_value = None
    mock_model.config = mocker.MagicMock()
    mock_model.device = 'cpu'
    mock_model_loader.return_value = mock_model
    mock_tokenizer_loader.return_value = mocker.MagicMock()

    # Mocke die globalen Seeding-Funktionen, um ihre Aufrufe zu überprüfen
    mock_torch_manual_seed = mocker.patch('torch.manual_seed')
    mock_np_random_seed = mocker.patch('numpy.random.seed')

    seed = 123
    get_or_load_model("fake-model", seed=seed)

    # ASSERT: Wurden die Seeding-Funktionen mit dem korrekten Seed aufgerufen?
    mock_torch_manual_seed.assert_called_with(seed)
    mock_np_random_seed.assert_called_with(seed)

# --- Tests for resonance_seismograph.py ---

def test_run_silent_cogitation_seismic_output_shape_and_type(mock_llm):
    """
    Testet die Kernfunktion `run_silent_cogitation_seismic`.
    ASSERT: Gibt eine Liste von Floats zurück, deren Länge der Anzahl der Schritte entspricht.
    """
    num_steps = 10
    state_deltas = run_silent_cogitation_seismic(
        llm=mock_llm,
        prompt_type="control_long_prose",
        num_steps=num_steps,
        temperature=0.7
    )

    assert isinstance(state_deltas, list)
    assert len(state_deltas) == num_steps
    assert all(isinstance(delta, float) for delta in state_deltas)
    assert all(delta >= 0 for delta in state_deltas) # Die Norm kann nicht negativ sein

@pytest.mark.parametrize("num_steps", [0, 1, 100])
def test_run_silent_cogitation_seismic_num_steps(mock_llm, num_steps):
    """
    Testet den Loop mit verschiedenen Anzahlen von Schritten.
    ASSERT: Die Länge der Ausgabe entspricht immer `num_steps`.
    """
    state_deltas = run_silent_cogitation_seismic(
        llm=mock_llm,
        prompt_type="control_long_prose",
        num_steps=num_steps,
        temperature=0.7
    )
    assert len(state_deltas) == num_steps

# --- Tests for utils.py ---

def test_dbg_enabled(capsys):
    """
    Testet die `dbg`-Funktion, wenn Debugging aktiviert ist.
    ASSERT: Die Nachricht wird auf stderr ausgegeben.
    """
    # Setze die Umgebungsvariable temporär
    os.environ["CMP_DEBUG"] = "1"
    # Wichtig: Nach dem Ändern der Env-Variable muss das Modul neu geladen werden,
    # damit die globale Variable `DEBUG_ENABLED` aktualisiert wird.
    import importlib
    from cognitive_mapping_probe import utils
    importlib.reload(utils)

    utils.dbg("test message", 123)

    captured = capsys.readouterr()
    assert "[DEBUG] test message 123" in captured.err

def test_dbg_disabled(capsys):
    """
    Testet die `dbg`-Funktion, wenn Debugging deaktiviert ist.
    ASSERT: Es wird keine Ausgabe erzeugt.
    """
    # Setze die Umgebungsvariable auf "deaktiviert"
    if "CMP_DEBUG" in os.environ:
        del os.environ["CMP_DEBUG"]

    import importlib
    from cognitive_mapping_probe import utils
    importlib.reload(utils)

    utils.dbg("this should not be printed")

    captured = capsys.readouterr()
    assert captured.out == ""
    assert captured.err == ""

    # Setze den Zustand zurück, um andere Tests nicht zu beeinflussen
    if DEBUG_ENABLED:
        os.environ["CMP_DEBUG"] = "1"
        importlib.reload(utils)