用 AI 给遗留代码生成单元测试：低成本实战指南
为什么遗留代码最适合先上 AI 单测
遗留代码通常有三个痛点：没有测试、改动风险高、需求紧但人手少。此时让 AI 先补“保护网”最划算，因为它不一定要一次写出完美测试，而是先把关键路径覆盖起来，帮助你在重构前建立回归基线。对很多团队来说，最值钱的不是“写了多少测试”，而是“后续每次改动能少出多少事故”。
如果你手里有一套 3 万行的老项目，人工补测试常常要 2 到 5 天才能把核心模块梳理清楚；而用 AI 辅助，通常 1 到 2 小时就能先生成第一版测试骨架，再用 1 到 2 小时人工修正边界条件。这样做的目标不是省掉工程师，而是把工程师时间集中在最容易出错的逻辑上。
推荐的低成本工作流
最稳妥的做法是“分层生成”：先生成接口级测试，再补纯函数测试，最后补异常分支和回归样例。不要一上来就让 AI 覆盖整个仓库，否则 token 成本高、上下文容易乱，测试也更容易写成“看起来对、实际跑不通”。
- 第一步：找出最核心的 5 到 10 个文件，例如支付、登录、订单状态流转、配置解析。
- 第二步：把源代码、现有测试、报错日志一起喂给 AI，让它先输出测试目录结构。
- 第三步：要求 AI 只写“可运行”的测试，不要解释性文字，避免引入无效内容。
- 第四步：人工跑测试，记录失败原因，再让 AI 根据报错做定点修复。
- 第五步：把通过率高的模板复制到相邻模块，批量扩展。
一套具体的成本算法
假设你使用 AI 生成 10 个文件的单元测试，每个文件平均 250 行代码，生成与修复过程共消耗约 20,000 tokens。若采用按量计费且单价低至每百万 tokens 几元到十几元的模型，单次成本通常只在几元到几十元之间。相比之下，哪怕一个资深工程师花 3 小时补这些测试，按每小时 200 元计算，人力成本也接近 600 元，还没算反复试错。
更关键的是，遗留项目往往需要多轮迭代。第一次用 AI 生成基础测试，第二次补 mock，第三次补边界条件，整体成本仍然通常低于纯人工从零开始。若你团队每周都要处理旧系统改造，这种方式能把测试预算压得很低。
如何把 AI 生成结果做得更准
要让 AI 写出可维护的单测，输入要具体。不要只说“帮我生成测试”，而要明确框架、目标、约束和断言重点。例如：
- 明确语言与框架：Jest、pytest、JUnit、Go test 等。
- 给出依赖边界：数据库、HTTP、时间、随机数都要 mock。
- 告诉它断言什么：返回值、异常、调用次数、状态变化。
- 限制风格：每个测试只验证一个行为，避免大而全。
- 提供失败样例：历史 bug 的输入输出最有价值。
如果你要在 Claude Code、Codex 或任何 OpenAI SDK 里直接调用，建议把模型接入到统一 API 层，这样脚本、IDE 插件、CI 都能复用同一个地址。59API 的基础地址是 https://api.59api.com，并且兼容 Claude Code、Codex 以及标准 OpenAI SDK。对于需要频繁生成和修正测试的团队来说，这种统一接入能显著减少集成成本。
为什么 59API 更适合这种场景
遗留代码生成测试不是一次性任务，而是持续性的“批量小调用”。这类场景最怕两件事：价格高，以及模型质量不稳定。59API 提供按量付费，适合你按文件、按模块逐步生成，不需要先买大额套餐；同时它接入的是原生官方质量模型，没有“降级版”带来的输出漂移，做测试这种对精确度敏感的任务更可靠。
如果你的团队每月会发起 200 到 500 次测试生成请求，使用低价 relay 的累计节省会很明显。比如把单次调用成本从 0.5 元压到 0.1 元，一个月就能少花 80 到 200 元；如果你还要反复迭代修复，节省会继续放大。再加上 59API 支持推荐返利，长期使用的边际成本还能再降一层。
落地建议：先从这 3 类文件开始
- 纯业务规则文件：最容易写出稳定断言，ROI 最高。
- 输入校验模块：边界值多，AI 很适合批量补齐。
- 状态机或流程控制：例如订单、审批、退款，最需要回归保护。
实践中，先为这三类文件补测试，往往能覆盖系统里 60% 以上的高风险变更。等你确认生成模板稳定后，再扩展到 API 层和集成测试。
总结
用 AI 给遗留代码生成单元测试，真正的价值不只是提效，而是用更低预算把“不可改”变成“敢改”。如果你希望在不牺牲模型质量的前提下把成本压到最低，可以考虑通过 59API 统一接入 Claude 和 GPT 系列模型，先从一个模块试跑。你只需要注册后接上 https://api.59api.com，就能用按量计费的方式开始生成第一批测试，并逐步把旧系统的风险降下来。