2026-09-19 · Vibe Coding · 约 7 分钟

让 AI 重构遗留脚本:先固化行为,再谈改写

每个人电脑里都有一批「能跑就别动」的脚本:几百行的 shell、没有注释的 Python、 硬编码路径的定时任务。它们支撑着一些没人记得细节的流程,改坏了要半夜爬起来修。

AI 很适合处理这类代码——它读得快、不怕重复劳动、能一次改很多文件。 但前提是:你必须先有一张「改之前和改之后行为一致」的安全网。

一、为什么不能直接丢给模型

遗留脚本的难点不在语法,而在隐式契约:它依赖某个环境变量、某个目录必须存在、 某种输入格式恰好能跑通。这些信息不在代码里,模型只能猜。 而模型最危险的地方是:它猜的时候看起来很自信。

所以第一步不是重构,而是把「现在到底会发生什么」记录下来。

二、第一步:给老脚本补冒烟测试

不要追求完整覆盖,先覆盖三条主干:

  1. 正常输入:给一组典型参数,记录输出和副作用(生成了哪些文件、写了哪些日志);
  2. 空输入 / 缺参数:确认退出码和错误信息;
  3. 重复执行:同一个命令跑两次,行为是否幂等。

最土但最有效的方式:在临时目录里跑一遍,把 stdout/stderr 和目录树快照存下来做对比。

#!/usr/bin/env bash
set -euo pipefail
tmp=$(mktemp -d)
trap 'rm -rf "$tmp"' EXIT

# 用老版本跑一遍,保存基准
./legacy.sh --input fixtures/sample.csv --out "$tmp/old" > "$tmp/old.stdout" 2> "$tmp/old.stderr"

# 断言:输出文件存在且非空
test -s "$tmp/old/result.json"
grep -q '"ok": true' "$tmp/old/result.json"

有这层网之后,重构才有意义——否则你只是在「看起来更漂亮」和「不知道还能不能跑」之间赌博。

三、第二步:让 AI 做机械替换,人做边界决策

我把改动分成两类:

一个有效的提示结构:

只做机械替换,不改变行为:
- 把 curl 调用统一改成 fetch_json(),保持超时和重试参数不变
- 不要合并分支逻辑,不要删除任何错误处理
- 每改一个文件后运行 ./smoke.sh,失败就回滚该文件

四、第三步:一次只改一类问题

「顺手把命名也改了吧」是重构事故的高发句式。 一次只改一件事,diff 才可读,出问题也能定位到具体哪一步。

我通常的顺序是:先加测试 → 再改结构 → 再改命名 → 最后删死代码。 删代码永远放最后,因为它是唯一不可逆的操作。

五、第四步:准备回滚

六、一个真实的教训

我曾经让模型「优化」一个数据同步脚本,它把「失败重试三次」改成了「指数退避 + 无限重试」。 测试全绿,但上线后某次上游故障导致任务卡死,队列堆了六个小时。

问题不在代码质量,而在行为被悄悄改变了:重试策略是业务约束,不是实现细节。 从那以后,我在提示里都会加一句「不要改变任何重试/超时/并发参数,除非我明确要求」。

七、适合与不适合

场景适合交给 AI 吗
批量替换 API、统一日志格式适合,收益明显
无测试的删除/迁移不适合,先补测试
涉及并发、事务、权限的改动谨慎,必须人工评审
「让代码更优雅」不适合,目标不可验收

八、结论

AI 能显著降低重构的体力成本,但降低不了判断成本。 遗留脚本之所以「能跑就别动」,是因为没人说得清它的行为边界; 而重构的第一步,永远是把这条边界画出来——测试只是画边界的手段。

先固化行为,再谈改写。这句话对人和对模型都成立。

← 返回首页