AI 重构遗留代码前，先锁定现有行为

让 AI 重构遗留代码，最难确认的往往是：代码变整齐之后，那些没人记得的业务规则还在不在。dev.to 的一篇文章分享了做法：先用特征测试记录旧代码的实际行为，再让 AI 小步修改，通过前后对比检查回归。现有节选已展示测试流程，但原文后半部分尚不完整。

目前能确认什么

作者使用 Python、pytest、syrupy 和 mutmut，为遗留代码建立行为基线。特征测试（characterization tests）记录代码「现在怎么做」，包括历史缺陷；按规格编写的常规测试则检查代码「应该怎么做」。

节选中的运费函数包含地区附加费、取整、会员折扣和免邮条件。作者组合边界输入，用 syrupy 保存结果快照，也记录异常类型。重构后重新运行，检查结果是否一致。空字符串、None 等输入也被纳入，防止 AI 添加校验时意外改变行为。

作者还用变异测试（mutation testing）修改运算符、常量等，检查测试能否发现差异。覆盖率只能说明代码被执行过，不能单独证明断言足够有效。

我的判断

这套方法最有价值的地方，是把「看起来没改逻辑」变成可以重复执行的检查。

对缺少可靠规格的模块，程序员可以先要求 AI 提取函数、替换常量，每次只改一小步，再比较快照。出现差异时，也更容易定位是哪次修改改变了行为。

但快照匹配只覆盖已选输入，不能证明所有场景都等价；旧缺陷被保留下来，也不代表它合理。修复缺陷应单独明确预期，不能靠更新快照悄悄放行。

节选中的部分变异测试示例与输入组合仍需运行核验，不能直接当作已验证结论。对于时间、随机数或外部服务造成的不稳定输出，现有内容也没有交代处理方式，这会影响该方法能否用于真实项目。