测试 AI 编码的应用程序：挑战与建议

像Lovable.dev这样的AI工具正在改变应用开发模式，它们能通过自然语言提示快速生成原型，让每个人都能轻松创建功能性应用。

这些工具的编码速度比传统开发人员快 20 倍，但也带来了在测试、调试和维护生成代码方面的独特挑战。当团队引入AI时，必须保持警惕。

我们下面将探讨一些挑战，以及在测试和识别问题时可能遇到的常见场景。

如果你希望将这些代码作为项目的基础模板，并在未来扩展产品，请不要在测试之前就添加过多功能！
AI 会生成上百行代码，使得代码审查、维护和测试变得越来越困难，应尽早进行检查和测试。

还需要注意的是，AI 工具会选择它们认为最合适，或者与其有合作关系的库（例如：Lovable.dev 会推荐使用 Supabase）。但这些库或工具可能并不是最适合你的产品，也可能价格昂贵（建议查看订阅价格）。此外，一些库可能已经弃用，与其他依赖项发生冲突，从而引入新 bug。

当然，如果你只是为了验证市场、做一个原型，并且可以接受将 MVP 从头重写，那么就无需太担心这些问题。

测试 AI 编写应用的常见挑战

1. 代码质量与优化问题

场景： 某电商初创公司用Lovable.dev搭建购物平台，生成的商品列表功能因冗余数据库查询导致性能下降。

示例代码：

// 由 AI 生成
let products = [];
for (let productId of productIds) {
    let product = db.query(`SELECT * FROM products WHERE id = ${productId}`);
    products.push(product);
}

问题： 在循环中对数据库进行查询，导致单个操作进行了多次数据库访问。

如果只做“正常流程”测试，很可能不会发现这个问题。因此，需要主动检查数据库及其性能。

2. 自定义与灵活性不足

场景： 一家非营利组织创建了一个活动管理应用，但 AI 生成的代码缺乏计算活动碳足迹的功能。

示例代码：

// 由 AI 生成
events.forEach(event => {
    console.log(`Event: ${event.name}`);
});

问题： AI 没有包含碳排放的计算逻辑。

这是典型问题，有时 AI 只生成前端代码和简单组件交互，甚至使用硬编码数据。如果没有明确地说明公式或逻辑，它通常无法生成后端逻辑。可以通过不同输入做简单测试来发现这一点。

3. 调试复杂性

场景： 一家小企业使用 AI 工具生成了 CRM 应用，通知系统出错，导致重复发送通知。

示例代码：

// 由 AI 生成
reminders.forEach(reminder => {
    if (reminder.date === today) {
        sendNotification(reminder.userId, reminder.message);
        sendNotification(reminder.userId, reminder.message);
    }
});

问题： 重复的函数调用导致通知重复发送。

有时 AI 会建议你重构代码，这类问题在“正常流程”测试中很容易发现，只需验证是否只收到了一个通知。

4. 可扩展性问题

场景： 一家社交媒体初创公司使用 AI 生成平台。用户登录时，代码低效地提取用户数据，随着用户数量增加导致延迟。

示例代码：

// 由 AI 生成
let userData = {};
userIds.forEach(userId => {
    userData[userId] = db.query(`SELECT * FROM users WHERE id = ${userId}`);
});

问题： 循环式查询结构在用户量大时拖慢了登录速度。

如果你在早期没有做性能测试，这个问题可能会在后期才暴露。虽然易于修复，但如果早点发现会避免更多麻烦。

5. 安全漏洞

场景： 一家医疗初创公司生成了患者门户应用，但 AI 生成的代码未对敏感信息加密。

示例代码：

// 由 AI 生成
db.insert(`INSERT INTO patients (name, dob, medicalRecord) VALUES ('${name}', '${dob}', '${medicalRecord}')`);

问题： 以明文方式存储敏感数据。

这是 AI 编写代码中常见问题之一，通常缺乏对数据安全性的处理。必须格外小心，检查数据的传输、管理和存储方式。

6. 过度依赖 AI

场景： 一位自由职业者创建了预算管理应用，在支出追踪器中出现 bug，但由于缺乏编程知识，难以调试。

示例代码：

// 由 AI 生成
let expenses = [];
expenseItems.forEach(item => {
    expenses.push(item.amount);
});
let total = expenses.reduce((sum, amount) => sum + amount, 0) * discount;

问题： 逻辑错误导致总额计算不正确。

这是一个 AI 自己可能也能识别的问题。由于 AI 有时会混合前后端逻辑，即使是有经验的开发者也可能难以调试。对于不会编程的人来说更是挑战。不过，在正常流程测试中就可能发现这个 bug。

其他注意事项

并非所有 AI 编码平台都会为生成的代码自动编写测试，除非你明确要求。例如：Lovable.dev 默认不创建测试代码，这点需要特别注意。

另外，AI 并不擅长跟上所有最新技术的步伐。例如区块链相关开发目前 AI 仍然支持有限（虽然未来可能改善）。这些技术每一秒都在变化，AI 和人类都还追不上 😂

维护 AI 编写应用的一些建议

定期进行全面的代码审查
实施测试协议
训练 AI 遵循代码最佳实践
提前规划扩展策略
优先考虑安全性
培养开发人员的专业技能

如需我帮你将这篇文章做成总结或用于演讲稿，请随时告诉我。

‍