《AI 辅助代码重构实战:从“能跑”到“好维护”的五步重构法》
AI 辅助代码重构实战:从“能跑”到“好维护”的五步重构法
引言:重构不是“重写”,AI 不是“代写”
几乎每个程序员都接手过这样的代码:一个 300 行的函数、层层嵌套的 if、变量名叫 data2 和 tmp_final。代码能跑,但没人敢动——改一处,崩三处。
大模型出现之后,重构这件事变容易了很多:它能读懂一大段代码、指出坏味道、给出拆分方案。但它也有短板:不了解业务上下文、容易“自信地”改错逻辑、一次给出的改动太大难以验证。
这篇文章分享一套实战验证过的流程:AI 负责提议与执行,人负责定方向与验收,用五步把“能跑”的代码重构成“好维护”的代码。
一、先画“安全网”:没有测试,重构就是赌博
重构的第一步不是改代码,而是确保改完之后能证明“行为没变”。
- 先跑通现有测试。如果项目有测试,先全部跑一遍并记录基线:通过多少、失败多少。没有测试,就先补“特征测试”(Characterization Test):不追求覆盖所有分支,只锁定当前行为。
# 特征测试示例:先锁定老函数的真实行为,再重构
def test_calc_price_legacy_behavior():
# 即便你觉得这个行为“不对”,先把它锁下来
assert calc_price(100, "VIP") == 85.0
assert calc_price(100, "NEW") == 90.0
assert calc_price(0, "VIP") == 0.0
-
用 AI 快速补测试。把老函数贴给 AI,明确要求:“只根据现有代码推断行为,写 pytest 用例,不要修改逻辑,不要臆测需求。”这样 10 分钟就能攒出一批回归用例。
-
建立“改前改后”对照。重构过程中,每改一小步就跑一次测试,绿灯才继续。步子越小,回滚成本越低。
二、让 AI 先“读懂”代码:上下文投喂技巧
AI 重构的质量,取决于你给它的上下文质量。直接丢一个函数、说一句“帮我重构”,结果往往是泛泛而谈。
投喂清单(按顺序给):
- 目标代码全文,不要只给片段;
- 调用方:这个函数被谁调用、传入什么、期望返回什么;
- 业务约束:哪些行为绝对不能变(比如价格计算的舍入规则、兼容老接口);
- 项目规范:命名风格、是否允许引入新依赖、单函数行数上限。
一个可用的提示词骨架:
请分析下面这段代码,先不要改代码,只输出:
1. 代码的坏味道清单(每条写明位置和影响)
2. 按“风险从低到高”排序的重构建议
3. 每条建议对应的测试验证方法
约束:不改变对外接口;不改变计算结果;不引入新依赖。
[粘贴代码]
[粘贴调用方示例]
先让 AI“诊断”再“开药”,能过滤掉大量想当然的改动。
三、五步重构法:一次只动一处
第 1 步:识别坏味道,先列清单再动手
常见的坏味道有:过长函数、重复代码、过深嵌套、魔法数字、命名含糊、参数过多。让 AI 输出清单后,你来排优先级:先改高频改动区域的坏味道,冷门代码的坏味道可以放一放。
第 2 步:提炼函数,小步拆分
一次只抽一个函数。抽完跑测试,绿了再抽下一个。AI 在这步最擅长:给它一段代码,让它提议函数名和拆分边界。
# 重构前:一个函数干了三件事
def process_order(order):
total = 0
for item in order["items"]:
price = item["price"] * item["qty"]
if order["user_type"] == "VIP":
price *= 0.85
elif order["user_type"] == "NEW":
price *= 0.9
total += price
if total > 500:
total -= 50
save_to_db(order["id"], total)
send_notify(order["user_id"], total)
return total
# 重构后:一个函数只做一件事
def calc_item_price(item, user_type):
price = item["price"] * item["qty"]
return price * DISCOUNT_MAP.get(user_type, 1.0)
def calc_order_total(order):
total = sum(calc_item_price(i, order["user_type"])
for i in order["items"])
return total - 50 if total > 500 else total
def process_order(order):
total = calc_order_total(order)
save_to_db(order["id"], total)
send_notify(order["user_id"], total)
return total
第 3 步:统一命名,让代码自己讲故事
命名是成本最低、收益最高的重构。把 data、tmp、flag 换成业务语言:discounted_price、is_first_order。可以让 AI 批量提议新名字,但最终拍板的是你,因为只有你知道业务术语。
第 4 步:消除重复,抽公共逻辑
同一段逻辑出现两次,就值得抽;出现三次,必须抽。注意不要“过度抽象”:只在两个地方确实做同一件事时才合并,表面相似、实质不同的逻辑硬合并,后期改动会更痛苦。
第 5 步:验证收尾,跑测试 + 人工走查
- 全部测试通过;
- 让 AI 做一次“差异评审”:把 diff 贴给它,问“这次改动有没有改变任何外部行为?有没有漏掉的边界条件?”;
- 自己通读一遍 diff,确认每一行改动都能说出理由。
四、实战复盘:一次真实的重构花了多久
上周我用这套流程重构了一个 200 多行的报表导出函数:
| 阶段 | 耗时 | 产出 |
|---|---|---|
| 补特征测试 | 约 15 分钟 | 12 个用例,锁定行为 |
| AI 诊断坏味道 | 约 5 分钟 | 9 条清单,排好优先级 |
| 分 6 步拆分函数 | 约 40 分钟 | 1 个大函数 → 7 个小函数 |
| 命名与去重 | 约 15 分钟 | 消除 3 处重复逻辑 |
| 验证与走查 | 约 10 分钟 | 测试全绿,diff 人工确认 |
总计约 85 分钟。没有 AI 的情况下,同样的活我以前要花大半天,而且不敢保证不改坏。
五、三个常见坑
坑 1:一次让 AI 改太多。超过 200 行的改动,AI 很容易在细节处“自由发挥”。对策:限定每次改动范围,要求“只改这一个函数,其他不动”。
坑 2:不看 diff 就提交。AI 的改动里可能藏着悄悄改掉的边界条件(比如把 > 改成 >=)。对策:强制自己逐行看 diff,重点看条件判断和数值。
坑 3:重构时顺手加需求。“反正都打开了,顺便把这个新逻辑加上吧”——这是重构翻车最常见的原因。重构期间只做“等价变换”,新需求另起一个提交。
六、落地清单
- 重构前:测试基线已建立,全部通过
- 先诊断后动手:坏味道清单已排优先级
- 一次一小步:每步改完跑测试
- 命名用业务语言,不用 tmp/data
- 收尾:AI 审 diff + 人工通读 diff
- 重构提交与需求提交分开
结语
AI 不会替你承担重构的责任,但它能把重构从“凭经验硬啃”变成“有清单可依的流水线”。真正决定重构质量的,仍然是那条老规矩:小步快跑,每步可验证。先把安全网搭好,再让 AI 帮你动手,代码会越改越干净,而不是越改越心惊。
- 点赞
- 收藏
- 关注作者
评论(0)