每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
最近和同事讨论Tabby时，有人提到AI自动补全代码的潜在危害，比如因LLM（大型语言模型）的不可靠性导致代码质量下降，甚至滋生“意大利面条”代码，把像DRY这样的传统开发原则扔得一干二净。但本文的作者对此持不同意见：如果可以有一个框架，既能整合AI工具，又能让代码变得更可靠，会怎么样？这个想法让人瞬间联想到测试驱动开发（TDD）这种方法，尤其是结合LLM时的潜力。
TDD + LLM：从理想到现实的融合
TDD的核心思路是先写出覆盖全面的单元测试，再根据测试来实现主程序。理论上，测试本身就像完整的规范，所有测试通过则说明程序是正确的。然而，TDD在实践中被许多人认为拖慢了开发速度，甚至可能一无所获。LLM的出现，从经济效益上改变了这种状况。
在传统开发中，作者经常依赖像GitHub Copilot这样的工具来辅助编码。这些工具擅长识别模式并补全代码，但对深入理解需求、编写完整模块常常力不从心。为了让LLM高效工作，作者总结了一些经验：提出清晰的需求说明、逐步提供必要上下文、控制模型的注意力范围等。同时，LLM在调试方面表现优异——给出原始报错信息，它往往能猜出问题所在。
然而，频繁的切换窗口、复制粘贴上下文成了主要障碍。于是，作者尝试通过自动化脚本来简化整个流程。
自动化的TDD：工作流详解
作者写了一个简单的事件循环来自动化测试驱动开发：
- 定义需求与函数签名：第一步是向LLM提供明确的功能描述和函数签名，比如：
go run main.go --spec '开发一个函数，输入一段长文本，识别并解析其中的IPv4、IPv6地址和CIDR块（这些可能夹杂在其他符号或文本之间），并将结果返回为列表' --sig 'func ParseCidrs(input string) ([]*net.IPNet, error)'模型会生成初版实现和对应的单元测试。 - 沙箱验证：将生成的代码和测试放入沙箱目录，执行一系列工具（如
go mod tidy和go test）进行语法修复和单元测试。 - 迭代优化：如果初版测试失败，作者会将测试输出和相关代码反馈给模型，让其分析问题并修复代码。这一循环持续进行，直到所有测试通过。
通过这种方式，可以降低模型上下文的长度，节省成本，同时提高迭代效率。
模型的局限与对策
尽管方法有效，但也存在局限。例如，模型可能生成质量不高的测试用例，甚至误导开发者。为了解决这个问题，作者建议引入人工补充测试，并使用“变异测试”进一步验证代码的鲁棒性。具体做法是让LLM对代码进行一些微妙但关键的修改，测试是否能够捕捉到这些改动。
优化代码结构以适配LLM
为了让LLM更好地融入实际项目，作者提出了以下几点建议：
- 模块化设计：将每个目录拆分为独立可测试的子模块，每个模块包含：
shared.go：共享定义和全局变量；x.go：单一功能的实现；x_test.go：对应功能的测试。
- 提供上下文：为模型生成的代码提供必要的背景信息，如依赖文档和示例代码。
- 限制模型的工作范围：一次只让模型处理一个特定子目录，减少分心。
这种结构不仅能减少问题代码进入生产环境的风险，还鼓励代码解耦和单元测试优先的开发方式。最终，代码会趋于高内聚低耦合，既功能丰富，又易于维护。
结语：谨慎拥抱新工具
最后，作者提醒读者，AI技术更新日新月异，今天的优化方案可能很快被淘汰。因此，不必着急用这种方法重构已有的大型项目，但对于新项目来说，这是一种值得尝试的开发思路。
