別盲信 AI 生成的代碼！Python 自動化邊界測試與防禦性重構實踐

成果產出

執行期程

1. 第 1 週選定 3 個高陷阱任務（如跨時區時間解析、巢狀 JSON 資料扁平化、敏感個資遮罩驗證），依據等價劃分與邊界值分析（BVA）撰寫規格書，並在 GitHub 建立專案與 pytest 執行環境。完成標準完成 3 個任務規格定義與 pytest 基礎架構搭建。佐證資料任務規格 Markdown、目錄架構與可執行的 pytest 空白範本。
2. 第 2 週在「不給 AI 提示代碼」前，先手寫每題至少 6 組包含 Happy Path、極端邊界（如空陣列、極端字元、無效時區）與型別異常的 pytest 單元測試案例，鎖定預期斷言（Assertion）。完成標準完成共 18+ 組嚴密單元測試案例，確認測試案例自身邏輯無誤。佐證資料完整測試檔案（test_*.py）與邊界情境清單。
3. 第 3 週使用合法 AI 工具（如 Copilot / Claude / ChatGPT）以零樣本（Zero-shot）提示生成初版代碼，直接套入測試套件執行；記錄哪些邊界測試失敗，分類歸納 AI 的「盲點模式」（如型別假設錯誤、隱性崩潰）。完成標準完成 AI 初版代碼之自動化測試評估，記錄失敗案例與錯誤日誌。佐證資料AI Prompt 紀錄、初始代碼檔與 pytest 失敗報告（Fail Log）。
4. 第 4 週針對失敗案例進行防禦性程式碼重構（Defensive Refactoring），搭配 pytest-cov 達成 90% 以上測試覆蓋率，設定 GitHub Actions 確保 CI 自動化綠燈通過，撰寫技術總結報告。完成標準所有測試通過，測試覆蓋率達標，完成 CI 自動化與技術報告總結。佐證資料GitHub 倉庫連結（含 Actions 綠燈截圖）、Coverage 覆蓋率 HTML 報告與專案技術報告。

需要的佐證資料

• 任務邊界規格書與 pytest 測試架構代碼。
• 涵蓋邊界與異常情境的單元測試檔案（18+ 案例）。
• AI 初版代碼測試失敗紀錄與缺陷分類筆記。
• GitHub 倉庫（含 Actions CI 綠燈、覆蓋率報告與技術分析報告）。

人數與分工可於建立時調整

執行條件

語言與資料獲取

本機 Python 3.10+ 環境、GitHub 帳號、合法之免費/現有 AI 工具。

實施邊界

為特定演算法與資料模組之單元測試實踐，不代表評估整體 LLM 大模型之全域程式碼能力。

場域／資料權限

本機開發環境（VS Code / PyCharm）與 GitHub。

預估費用

約 NT$ 0（使用本機開源工具與 GitHub 免費 CI 額度）

工具設備

Python 3、pytest、pytest-cov、Git / GitHub Actions、VS Code。