直接让AI上手重构遗留代码库，结果往往喜忧参半。AI生成的代码看起来合理，却经常漏掉藏在奇怪地方的临界业务逻辑。你花在验证上的时间，比AI帮你省下的还多。而且重构后的代码虽然清爽了，却可能在六周后生产环境里冒出微妙的行为偏差。

关键差距在于准备。不是让AI凭通用模式瞎猜，而是给它理解你特定代码库所需的上下文。

打开网易新闻 查看精彩图片

第一步：画清边界。遗留代码的麻烦在于牵一发而动全身，所以必须主动收缩范围。选定具体模块、类或相关函数，用 plain language 写清楚职责。比如折扣计算模块：它管的是"应用折扣、促销和会员等级后的最终价格"，不管拉取客户数据、验证优惠码、也不管税后计算。最关键的约束要单独标出来：折扣不能叠加，20%会员折扣和15%优惠码同时存在时只取20%，这是业务定死的规则。

这段描述就是你要贴在每个AI提示词前面的上下文头。写它花20分钟，但能避免反复解释，更能拦住AI因不知道"不叠加"规则而搞出的错误。

第二步：摸清依赖。AI重构时随手就会改函数签名、返回类型或模块接口，根本不知道谁在调用它们。重构前你需要一张依赖地图。Python可以用内置ast模块和导入分析脚本生成调用图，JavaScript靠ESLint和模块分析工具，GitHub高级搜索能跨仓库找函数引用。

AI可以帮你做这一步，但输出只能当起点。让它列出某函数在哪些文件被调用，每个调用点的文件行号、返回值怎么用、调用方传没传关键参数——这些得人工复核。

第三步：固化约束。业务规则散在注释、测试用例、甚至提交历史里，AI读不到或读不准。把关键约束显式写成检查清单，重构后逐条验证。比如折扣模块：不叠加规则是否保留？会员等级查询是否仍走customer_service.py？价格计算后是否仍由外部调用方处理税费？

准备工作的投入产出很直观：前期多花一两个小时，后期少踩生产事故的坑。AI辅助重构的真正价值，不在于生成速度，而在于生成的东西能放心用。