← Retour aux guides

用 AI 为遗留 Python 代码补齐可执行单元测试

先让 AI 理解行为，而不是立刻写测试

遗留代码最棘手的地方通常不是缺少测试框架，而是业务规则藏在分支、默认值和历史兼容逻辑中。以下函数来自一个订单模块：它根据金额、会员等级和优惠码计算应付金额，但没有任何测试。

def final_price(amount, vip, coupon):
if amount <= 0:
return 0
discount = 0.9 if vip else 1
if coupon == 'SAVE10' and amount >= 100:
discount -= 0.1
return round(amount * discount, 2)

不要只把函数贴给模型并要求“生成测试”。先要求它列出可观察的行为、边界条件、可能存在的歧义，以及每条规则对应的输入组合。例如可使用这样的提示词：“只分析以下函数，不修改实现。列出决策表，覆盖零值、负值、门槛值、VIP 与优惠码组合；指出折扣叠加的计算方式。”

这一步能避免 AI 根据函数名臆测业务含义。对上例，决策表至少应包含：金额小于等于零返回零；非会员满 100 元使用 SAVE10 后为九折；VIP 满 100 元使用 SAVE10 后为八折；99.99 元即使有优惠码也不减价。最后一条尤其适合发现门槛判断被误写为大于等于 99 的回归问题。

把规则转换为 pytest 测试

确认规则后，再让 AI 只输出 pytest 文件内容，并明确要求测试名称描述业务意图、不得 mock 纯函数、每个断言只验证一个关键结果。得到的结果应接近下面这样：

import pytest
from pricing import final_price

@pytest.mark.parametrize(('amount', 'vip', 'coupon', 'expected'), [
(0, False, None, 0),
(-1, True, 'SAVE10', 0),
(99.99, False, 'SAVE10', 99.99),
(100, False, 'SAVE10', 90.0),
(100, True, 'SAVE10', 80.0),
(100, True, None, 90.0),
])
def test_final_price_rules(amount, vip, coupon, expected):
assert final_price(amount, vip, coupon) == expected

运行 pytest -q 后，不要因为全部通过就直接合并。AI 生成的是基于当前实现的候选测试，可能把错误行为也固化下来。应把每个 expected 与产品规则、调用方行为或历史订单数据核对；如果“VIP 加优惠码是否允许叠加”没有明确依据，应先标为待确认，而不是让模型自行决定。

用失败测试定位旧代码风险

接着让 AI 扩展测试，但限定目标是发现风险而非追求覆盖率：“补充浮点精度、非法 coupon 类型和金额为 100 附近的测试；对没有明确契约的情形使用 xfail，并解释原因。” 这样可以将已确认规则与需要产品决策的行为分开。对包含数据库、HTTP 或时间依赖的遗留模块，应先用依赖注入或 pytest monkeypatch 隔离外部系统，再要求 AI 为真实边界生成测试；不要把联网、真实写库的测试误当作单元测试。

用 59API 控制持续补测成本

测试补齐往往需要多轮：分析函数、生成初稿、根据失败日志修正，再审查边界。59API 提供 Claude Opus、Sonnet、Haiku、Fable 与 GPT 模型的按量付费中转，使用原生官方质量模型，并兼容 Claude Code、Codex 和 OpenAI SDK。开发时可将 API 基址配置为 https://api.59api.com，把密钥放入环境变量，再按 59API 的兼容配置选择模型标识。

实践上可先用较低成本模型批量整理函数和测试矩阵，再把复杂状态机、并发逻辑或测试失败日志交给更强模型复核。这样既保留人工对业务契约的最终判断，也避免为大量重复测试分析付出过高成本。需要长期为旧项目补测试时，可以注册 59API 试用按量调用，并结合其推荐返利降低团队后续使用成本。

Tarifs · Docs