我把单元测试覆盖率从12%拉到87%,但AI第一次生成的Mock直接干穿了生产库
凌晨2点17分,我被手机震动吵醒。监控告警:用户服务响应时间P99飙到了8秒,错误率突破5%。我打开笔记本连上VPN,发现是订单服务的数据库连接池满了。翻了一下日志,罪魁祸首是一周前上线的批量退款功能——里面一个条件分支从来没测到过,导致特定组合下SQL查询没有加索引,全表扫描拖死了整个库。 这不是…
凌晨2点17分,我被手机震动吵醒。监控告警:用户服务响应时间P99飙到了8秒,错误率突破5%。我打开笔记本连上VPN,发现是订单服务的数据库连接池满了。翻了一下日志,罪魁祸首是一周前上线的批量退款功能——里面一个条件分支从来没测到过,导致特定组合下SQL查询没有加索引,全表扫描拖死了整个库。 这不是…
朋友公司有个2000行的库存同步脚本,改一次要3小时。我试着用Claude 3.5 Sonnet AI来重构它。AI很快把代码变得漂亮,但第一个版本就因为忽略数据缺失直接跑崩。我不得不分模块、写详细的背景提示,甚至引入Pydantic来规范数据。最终代码量减半,可维护性大增,但整个过程远非一键完成——我成了业务逻辑的翻译官和代码质量的守门员。
我把一个8年历史的Python 2.7库存系统重构为现代化代码,原本60小时的工作用AI辅助15小时搞定。从类型提示到性能优化,分享如何避免AI重构的常见陷阱,特别是那个让我加班的simplejson惨案。