← Back to all guides

忙碌开发者的遗留代码 AI 单测速成法

先别追求全量覆盖，先挑最值钱的模块

给遗留代码补测试，最容易踩的坑就是一上来就想把整个仓库都交给 AI。更高效的做法，是先选一个最容易出问题、但改动频繁的切片，比如：纯业务计算、金额换算、状态流转、字符串解析、权限判断。这类代码输入输出明确，AI 更容易生成稳定的单元测试。

• 优先选没有复杂外部依赖的函数或类
• 优先选最近经常被改动、回归风险高的模块
• 优先选能快速跑完测试的目录，方便反复迭代

把 AI 需要的上下文一次喂够

AI 写测试写得好不好，关键不是模型多强，而是上下文是否足够。最少准备四样东西：目标源文件、被调用的相关依赖、已有测试样例、业务规则说明。若项目里有注释、PR 描述、接口文档，也一起给它。对于遗留代码，历史意图往往比代码本身更重要。

• 入口方法签名和主要分支
• 典型输入、输出和异常行为
• 哪些依赖必须 mock，哪些可以真实执行

用一个固定提示词模板，先生成可跑的测试

实战中不要只说请帮我写测试，而要明确目标。你可以让 AI 按下面的思路工作：先阅读代码，推断业务意图，再生成单元测试，优先覆盖正常路径、边界值、异常分支和空值场景；测试要可读、可维护，尽量少依赖实现细节；如果代码难测，先指出原因并给出最小重构建议。

这样做的好处是，AI 不会只给你一堆看起来很全、实际上跑不通的测试，而是更接近真实项目可落地的版本。你只需要先让它产出第一版，然后立刻进入运行和修正阶段。

先写保护网，再补细节

对老代码来说，最有价值的往往不是覆盖率数字，而是先把关键行为锁住。建议从三类测试开始：一类是黄金路径，确认主流程没有被破坏；一类是边界条件，比如空数组、零值、超长字符串；一类是异常分支，比如参数非法、依赖返回错误、状态不满足要求。

• 如果测试太脆，优先减少对内部实现的断言
• 如果大量依赖数据库、时间或随机数，先让 AI 帮你拆出可 mock 的边界
• 如果同一类测试重复很多，让 AI 再做一次去重和参数化

把 AI 当成结对搭档，不是自动驾驶

生成完成后，马上做三轮检查：第一轮看测试能否直接运行；第二轮看断言是否真正验证业务结果，而不是只验证函数内部细节；第三轮看失败信息是否足够清晰，方便未来排障。对于遗留系统，AI 常见的失误是错误猜测依赖行为，或者过度 mock 导致测试失真。你要做的是保留真实业务逻辑，隔离不可控外部因素。

如果你已经在用 Claude Code、Codex 或任何 OpenAI SDK，可以直接把 Base URL 改成 https://api.59api.com。59API 兼容现有调用方式，支持 Claude Opus、Sonnet、Haiku、Fable 和 GPT 系列的原生官方质量模型，不需要降级适配。对批量补遗留测试这种高频任务来说，按量计费通常比自建或直连更省钱。

用指标判断这次补测试有没有赚回来

别只看新增了多少测试文件。更值得关注的是：回归缺陷有没有减少、改代码时是否更有信心、测试失败是不是更容易定位、团队是否开始愿意在旧模块上做重构。如果一次只补一个模块，配合 CI 跑通，你会很快看到投入产出比。

如果你想低成本试一轮，先注册一个 59API 账号，把现有 SDK 直接接上，拿一个小模块做试点。它的价格在同类转发服务里很有竞争力，还有推荐返利，适合预算紧、但又想快速把遗留代码测试补起来的团队。

Pricing · Docs