Lyft cria provedor de pagamento falso para simular falhas complexas em testes

A Lyft desenvolveu o Fake Payment Provider, uma solução interna que simula comportamentos complexos de processadores de pagamento em testes. Cartões de teste convencionais oferecem apenas sucesso ou falha total, o que é insuficiente para as nuances de um sistema de rideshare, onde o valor final da corrida pode diferir do valor inicial autorizado, exigindo múltiplos passos como autorização, incremento, captura e reembolso. Este provedor falso permite simular falhas específicas em qualquer uma dessas etapas, como uma autorização que falha na captura, mas tem sucesso em uma cobrança direta de fallback.

A lógica do cenário de teste é embarcada no próprio token de pagamento, evitando a necessidade de um serviço de estado separado ou de cabeçalhos transitórios na requisição. Isso garante que o comportamento de falha persista durante todo o ciclo de vida da transação, de forma similar ao que ocorreria com um cartão real. Os cenários são definidos como dicionários que mapeiam ações (autorizar, capturar, reembolsar) para especificações que incluem sucesso, atraso (com o parâmetro delay_ms) e códigos de erro de rede, permitindo até mesmo cenários de falha intermitente (ACTION_CHAOS) ou latência que causa timeout.

Para engenheiros DevOps e de plataforma, a abordagem da Lyft é um exemplo prático de como resolver um gargalo comum em testes de sistemas distribuídos: a dependência de serviços externos. Ao internalizar a simulação de falhas de processadores de pagamento, a Lyft ganha controle total sobre a resiliência e o comportamento de retentativa e fallback do seu sistema de pagamentos. Isso significa pipelines de CI/CD mais robustos, com testes de integração e carga que realmente exercitam os caminhos de código mais críticos, mas difíceis de reproduzir. A capacidade de gerar cenários com IA e provisionar cartões falsos para testes de carga em produção, de forma isolada, reduz o tempo de feedback e melhora a confiança nos deploys de sistemas financeiramente sensíveis.