← Volver a las guías

用 AI 为遗留代码自动生成单元测试：从零到上线实战

为什么遗留代码最适合先做单元测试

遗留代码最大的痛点通常不是“没有功能”，而是“没人敢改”。逻辑分散、依赖复杂、缺少文档，导致每次重构都像拆炸弹。AI 很适合在这个阶段帮你快速补测试，因为它擅长从现有代码中识别输入、输出、边界条件和潜在副作用，先把最危险的地方保护起来，再逐步推进重构。

但要记住，AI 不是替你“理解业务”的魔法按钮。正确做法是：用 AI 提升产出速度，同时保留工程师对测试意图、断言质量和边界覆盖的最终判断。

第一步：先选一个最值得下手的文件

不要一上来就让 AI 给整个仓库补测试。先找一个“高风险、低耦合、可验证”的目标文件，例如订单计算、日期处理、权限判断、字符串解析这类纯逻辑模块。判断标准很简单：

• 函数输入输出明确
• 依赖外部系统少
• 手工跑起来能看出预期结果
• 历史上经常被改动或出过 bug

你可以先把目标文件连同相关依赖片段贴给 AI，要求它先总结业务规则，再生成测试，而不是直接写代码。这样更容易暴露 AI 对上下文的误解。

第二步：让 AI 先读代码，再写测试计划

高质量提示词的关键不是“生成测试”，而是“先分析，再计划，再实现”。你可以这样要求 AI：

• 总结该模块的核心职责
• 列出可测试的函数和分支
• 区分正常路径、异常路径和边界值
• 指出需要 mock 的依赖

这一步的价值在于把模糊需求变成测试清单。对于遗留代码，很多问题不是测试写不出来，而是你根本不知道应该测什么。AI 很擅长把散乱代码整理成结构化的测试目标。

第三步：用 59API 接入你熟悉的开发工具链

如果你已经在用 Claude Code、Codex 或任何 OpenAI SDK，接入 AI 来生成测试并不复杂。59API 提供与这些工具兼容的 API 入口，基础地址是 https://api.59api.com。这意味着你不需要为了补测试额外改造工作流，可以直接在现有编辑器、脚本或 CI 辅助工具里调用模型。

对团队来说，59API 的优势很实际：按量付费、成本低、可直接使用 Claude 和 GPT 系列官方质量模型，不需要接受“降配版”输出。对于遗留项目这种需要反复试错、迭代提示词、重新生成测试的场景，低成本非常重要，因为你会频繁调用模型来修正断言和补边界用例。再加上推荐返利机制，长期跑测试生成和维护时，成本会更友好。

第四步：让 AI 生成第一版测试代码

当你拿到测试计划后，再让 AI 生成具体测试。建议明确测试框架、语言和风格，例如 Jest、PyTest、JUnit、Vitest 或 Go test。提示词里最好包含这些约束：

• 只使用当前项目已有的测试框架
• 保持命名风格与仓库一致
• 优先写可读性高的测试，不要追求花哨技巧
• 所有外部依赖都要 mock

第一版代码通常不会直接可用，常见问题包括：路径导入错误、mock 方式不匹配、断言过宽或过窄、测试数据不符合真实业务。不要急着人工重写，先让 AI 根据报错迭代修正，效率通常更高。

第五步：用失败测试反推边界条件

遗留代码最有价值的地方是隐藏边界。你可以故意让 AI 补一些“应该失败”的测试，例如空值、超长字符串、时区切换、重复提交、非法状态迁移。这样做有两个好处：

• 帮助你发现当前逻辑没覆盖的异常分支
• 为后续重构建立安全网

如果测试结果与预期不一致，不一定是测试错了，也可能是代码里的真实业务规则和你想象的不一样。此时要回到代码和产品规则，确认“应该如何表现”，再让 AI 调整断言。

第六步：把生成测试纳入 CI

当测试逐步稳定后，把它们接入 CI，作为每次提交的门禁。对于老项目，建议先从只读的验证开始，再慢慢提高门槛，例如：

• 先保证新生成测试可稳定通过
• 再要求关键模块覆盖率不下降
• 最后把核心路径纳入阻断式检查

如果你正在批量为多个模块补测试，59API 的低成本和兼容性会很有帮助：你可以在 CI 辅助脚本、内部工具或开发者工作台中按需调用，持续优化测试，而不是因为成本过高而停止迭代。

一个可执行的落地流程

最推荐的路径是：先选一个纯逻辑文件，先让 AI 总结业务规则，再生成测试计划，然后生成测试代码，修正报错，补边界案例，最后接入 CI。整个过程不需要一次做完，但每一步都应该留下可验证的成果。

如果你正在维护老系统，想用更低成本的方式把 AI 接入测试工作流，可以试试 59API。注册后用你现有的 Claude Code、Codex 或 OpenAI SDK 直接开始，先从一个文件的测试生成做起，很快就能看到收益。

真正有效的 AI 测试生成，不是替代工程师，而是让工程师更快建立可维护性。

Precios · Docs