AI 说“已经完成”,怎么判断它真的做完了?

让 AI 改一段代码,最后收到一句“已修复,测试通过”。听起来没有问题,但打开页面,换个输入,问题又出现了。

这时候需要看的,是它到底改了什么、跑了哪些检查,以及这些检查能不能证明你的要求已经满足。最后那段完成说明,可以作为线索,不能代替结果本身。

下面用一个分页函数,把从提出要求到验收结果的过程走一遍。

1. 先把“完成”写成可以检查的条件

假设让 AI 写一个函数,把列表按页返回。只说“帮我做个分页”,还有很多细节没有确定:

  • 页码从 0 开始,还是从 1 开始?
  • 最后一页不够一页时怎么处理?
  • 页码超出范围,要返回空列表,还是报错?
  • page=0、size=-1 算不算有效输入?

这些问题不写清楚,代码即使能运行,也可能和你的预期不同。

这次可以把要求定成下面这样:

文本片段
1
2
3
4
5
6
7
8
输入:一个列表、页码 page、每页数量 size。

1. 页码从 1 开始。
2. page 和 size 必须是正整数,布尔值也不接受。
3. 最后一页可以不足 size 个元素。
4. 空列表或者超出最后一页,返回空列表。
5. 不修改传入的原始列表。
6. 不新增第三方依赖。

这一步很关键。后面的检查应该围绕这些条件设计,不能只照着 AI 刚写出的代码验证一遍。

验收过程从需求开始:写清完成条件,准备独立用例,再检查代码、运行证据和实际结果

2. 正常输入,只能证明一小部分事情

先用一组容易看清结果的数据:

文本片段
1
2
3
4
5
6
7
原列表:[1, 2, 3, 4, 5]
每页数量:2

第 1 页:[1, 2]
第 2 页:[3, 4]
第 3 页:[5]
第 4 页:[]

如果只检查第一页,很多有问题的实现也能通过。比如最后一页切片位置写错,或者越界时抛异常,都不会在第一页暴露出来。

建议先分三类准备输入:

类型 这次检查什么
正常情况 第一页和中间页的元素是否正确
边界情况 最后一页、空列表、超过最后一页
异常情况 零、负数、小数、字符串和布尔值

还有一项不能只看返回值:原列表有没有被修改。返回结果正确,却把调用方的数据改掉了,也不符合这次要求。

用例里的预期结果,最好先根据需求手工算出来。不要让测试再用同一套分页公式计算“正确答案”,否则实现和测试如果一起把页码算错,两边仍然可能相等。

例如第一页应该是 [1, 2],这个结果直接写进用例就可以。测试的目的,是拿一个独立的答案检查实现,不是把实现换个地方再写一次。

3. 用一段能运行的代码检查

下面是一份满足上述约定的实现。保存为 page_demo.py:

PYTHON
1
2
3
4
5
6
7
8
def paginate(items, page, size):
if type(page) is not int or type(size) is not int:
raise TypeError("page and size must be integers")
if page < 1 or size < 1:
raise ValueError("page and size must be positive")

start = (page - 1) * size
return items[start:start + size]

这里有个 Python 的小细节:bool 是 int 的子类。如果只使用 isinstance(page, int),True 也会被接受。我们前面明确要求拒绝布尔值,所以这里检查具体类型。

再把下面的检查代码追加到同一个文件末尾:

PYTHON
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import unittest


class PaginationTests(unittest.TestCase):
def test_first_and_middle_page(self):
self.assertEqual(paginate([1, 2, 3, 4, 5], 1, 2), [1, 2])
self.assertEqual(paginate([1, 2, 3, 4, 5], 2, 2), [3, 4])

def test_last_partial_page(self):
self.assertEqual(paginate([1, 2, 3, 4, 5], 3, 2), [5])

def test_empty_input(self):
self.assertEqual(paginate([], 1, 2), [])

def test_page_out_of_range(self):
self.assertEqual(paginate([1, 2], 10, 2), [])

def test_input_is_unchanged(self):
original = [1, 2, 3]
result = paginate(original, 1, 2)
result.append(99)
self.assertEqual(original, [1, 2, 3])

def test_invalid_page(self):
for page in (0, -1):
with self.subTest(page=page):
with self.assertRaises(ValueError):
paginate([1], page, 2)

def test_invalid_size(self):
for size in (0, -2):
with self.subTest(size=size):
with self.assertRaises(ValueError):
paginate([1], 1, size)

def test_non_integer_arguments(self):
for value in (True, 1.5, "1"):
with self.subTest(value=value):
with self.assertRaises(TypeError):
paginate([1], value, 2)
with self.assertRaises(TypeError):
paginate([1], 1, value)


if __name__ == "__main__":
unittest.main()

运行:

BASH
1
python3 page_demo.py

这份示例包含 8 个测试方法,其中一些会检查多个输入。正常情况下会显示 Ran 8 tests 和 OK。

它证明的是这组检查通过了,不代表所有可能的输入都已经覆盖。例如这里没有要求深拷贝列表内部的对象,也没有实现数据库分页。后续需求增加,验收条件和用例也要跟着补。

4. 测试通过以后,还要对照任务本身

如果用户要求的是“修好文章列表的分页”,上面的函数测试只是其中一层。

还需要确认页面实际调用了这个函数,按钮传入的页码正确,最后一页不会重复显示数据。只把函数写好,却没有接到页面上,任务仍然没完成。

代码测试与任务验收的关系:函数行为、页面接入和用户要求分别需要对应证据

可以把交付检查分开看:

  1. 文件状态:目标文件有没有修改,修改是否保存在当前工作区。
  2. 代码行为:测试到底覆盖了哪些输入,执行结果是什么。
  3. 使用结果:真正打开页面或者调用接口,行为是否符合要求。
  4. 任务限制:有没有顺手增加依赖、修改无关接口,或者漏掉其他明确要求。

这几项并不是每次都要弄得很复杂。只改一句文案,直接看页面通常就够了;改分页逻辑,才需要正常和边界用例。检查要和变化对应。

还要注意检查发生在什么时候。AI 跑完测试,又修改了一次函数,之前的通过记录就不能代表最终文件。最后一处修改影响到什么,就重新检查对应部分。

如果检查失败,先留下实际输入、预期结果和错误信息,再继续修改。这样下一轮有明确的问题可以复现,也能确认改动确实解决了这个问题。否则来回改几次,很容易只记得最后那句“现在应该好了”。

5. 让 AI 检查自己,也要给它具体标准

“再检查一下有没有问题”太宽泛,可以换成明确的检查任务:

文本片段
1
2
3
对照最初的六条要求检查最终文件。
列出已经运行的命令、结果,以及没有验证到的部分。
不要修改验收标准,也不要把未运行的测试写成通过。

另一个 Agent 可以帮忙独立审阅,但也可能重复同样的理解错误。能用程序确定的结果,优先运行程序;需要判断的内容,再让人或模型按明确标准检查。

如果是在比较提示词、模型或者整套 Agent 流程,还可以固定一组任务反复运行,记录完成情况、时间和消耗。这里评估的是整段工作过程,比单个函数测试多了一层。一次成功只能说明这一次成功,不能直接推成长期稳定。

6. 写文章、做表格,也可以这样验收

不写代码时,同样可以把要求落到结果上。

比如这次写博客:文章是不是完整的,例子前后有没有矛盾,配图是否能加载,正文有没有保留不需要的引用,语气是不是接近已有文章。这些都能逐项检查。

表格则看字段、行数、公式和合计;资料整理则看关键结论有没有材料支持,以及有没有漏掉限定条件。

像语气、可读性这类没有唯一答案的要求,可以先拿自己满意的两三篇文章做对照。比较开头怎么切入、解释有没有绕远、例子够不够具体,比只给一个“像不像”的分数更容易改。能明确判断的项目单独列出来,主观判断也写清原因。

最后的完成说明,建议写清“完成了什么、检查了什么、还缺什么”。只要还有没验证的部分,就直接写出来,后面才知道该从哪里继续。

以上。完结撒花 🎉!


AI 说“已经完成”,怎么判断它真的做完了?
https://blog.wenxin.site/2026/10/22/AI说完成了怎么验收/
作者
HarryMa
发布于
2026年10月22日
许可协议