【要約】小さな関数をAIに安全にリファクタさせる──先にテストで挙動を固定する [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者がAIに対して「コードを綺麗にして」と指示を出す際、意図せずロジックや境界条件が変更されるリスクに直面している。リファクタリングの定義は「外部から見た挙動を変えないこと」だが、AIは良かれと思って仕様自体を書き換えてしまう。
- ・AIが境界条件（<= と < の違いなど）を誤って変更する。
- ・リファクタリングの差分（見た目）に気を取られ、機能的な不変性が疎かになる。
- ・「なんとなく」のレビューでは、複雑な分岐の変更を見逃す。
// Approach
挙動の不変性を機械的に証明するため、テストと制約を組み合わせた4ステップのワークフローを採用している。
1.Characterization Testの作成：現状の入出力をそのまま写し取るテストを書き、安全ネットを張る。
2.制約付きプロンプトの実行：入出力、型、引数、許可する変更範囲を明示してAIに依頼する。
3.Diffによる目視確認：変更箇所が意図した構造変更のみであることを確認する。
4.機械的な検証：既存テストのパス、新旧実装の総当り比較、mypyによる型チェックを行う。
// Result
この手法を用いることで、AIによるリファクタリングの信頼性を劇的に向上させられる。
- ・テストのパスと総当り比較により、310通りの検証で不一致0件を達成。
- ・mypyによる型チェックを併用し、静的な安全性も確保。
- ・「差分の綺麗さ」ではなく「入出力の不変」を基準とした、根拠のあるコード変更が可能になる。
Senior Engineer Insight
> AIへの丸投げは技術的負債を加速させる。本記事の肝は、AIを「魔法の杖」ではなく「制約に従う作業員」として扱う点にある。特に、Characterization Testで現状の「正解ではないかもしれない挙動」すら固定し、その上で新旧比較を行うプロセスは、レガシーコードの解体において極めて実戦的だ。大規模システムでは、こうした「機械による不変性の証明」の自動化が、開発速度と安全性の両立に不可欠となる。