Python 程式碼審查與重構建議產生器

用途

對 Python 程式碼做六個維度的結構化審查，產出「問題 → 風險等級 → 修改建議 → 修改後範例」的可執行清單，讓你或接手的人有明確的重構路線圖。

何時用

• 適合：開發完成要做 code review，或接手舊程式碼需要理解現狀並找出優化點時。
• 不要用：只需要找安全漏洞與慣例問題的快速掃描——那情境用「Python 品質審查版」更精準；如果只是除錯請用「Python 除錯根因分析」。

Prompt

請對以下 Python 程式碼做六維結構化審查。

程式碼用途：{{程式碼用途，例：計算訂單折扣與稅金}}
使用情境：{{使用情境，例：電商後端，每天約 10 萬次呼叫}}

程式碼：
{{程式碼}}

六個審查維度：
1. 功能正確性（邏輯是否符合用途說明、邊界條件處理）
2. 異常處理（是否有明確的 except 類型、錯誤訊息是否有用）
3. 命名清晰度（變數名、函式名是否表達意圖）
4. 型別提示（有無缺失或錯誤的 type hints）
5. 可讀性（函式長度、巢狀深度、重複邏輯）
6. 效能（不必要的迴圈、大量資料的記憶體使用）

輸出格式（每個問題一條）：
| 維度 | 問題描述 | 風險等級（高/中/低）| 修改建議 | 修改後範例（程式碼片段）|

範例 / 變體

• 填好變數：程式碼用途填 計算訂單折扣與稅金、使用情境填 電商後端，每天約 10 萬次呼叫、程式碼填入 discount.py 的內容。
• 變體（只看高風險）：在輸出格式後加「只列出風險等級為高的問題」，縮小審查範圍。
• 變體（產出重構計畫）：在 prompt 末尾加「審查完成後，輸出一份三步驟重構計畫，依風險等級由高到低排序，每步預估工時」。

🎯 範例輸出（實測）

在 Claude.ai 跑這句、程式碼用途填「計算訂單折扣與稅金」、使用情境填「電商後端，每天約 10 萬次呼叫」、程式碼填入一段 discount.py 的結果：

點開看 AI 實際輸出

測試輸入程式碼（discount.py）：

def calc_order_total(items, coupon_code=None):
    total = 0
    for item in items:
        total = total + item['price'] * item['qty']
    if coupon_code == 'VIP10':
        total = total * 0.9
    elif coupon_code == 'SUMMER20':
        total = total * 0.8
    tax = total * 0.05
    return total + tax

六維結構化審查結果：

維度	問題描述	風險等級	修改建議	修改後範例
功能正確性	float 乘法累加在 10 萬次呼叫下誤差可累積到分位，台灣電商要求整數元精度	高	改用 Decimal	from decimal import Decimal; total = Decimal("0")
異常處理	無任何例外處理；若 item 缺少 price 或 qty 鍵，回傳 KeyError 無法追蹤	高	加 try/except KeyError as e: raise ValueError(f"商品資料缺少欄位: {e}")	—
命名清晰度	total 在迴圈中既是小計又是折扣後金額，語意模糊；建議拆成 subtotal、discounted_total	中	拆分變數名稱	subtotal = sum(...)
型別提示	函式無任何 type hint，回傳值型別不明	中	加 items: list[dict], coupon_code: str | None = None) -> Decimal	—
可讀性	折扣邏輯硬編在函式裡，新增優惠券需改程式碼；建議抽成 COUPON_RATES: dict[str, Decimal] 常數	中	常數化	COUPON_RATES = {"VIP10": Decimal("0.9"), ...}
效能	for item in items: total = total + ... 可改用 sum()，在 10 萬次高頻呼叫下更快	低	subtotal = sum(Decimal(str(i['price'])) * i['qty'] for i in items)	—

💡 實測心得：「使用情境：每天約 10 萬次呼叫」這行讓 AI 把 float 精度問題從「低風險」升到「高風險」——同樣的 float 乘法，在一次性腳本裡可能只是 Suggestion，但在高頻金融計算場景就是 Critical。使用情境填越具體，風險等級的判斷就越準確。

延伸

簡單來說，六維審查的價值是讓「可讀性問題」不被「邏輯錯誤」遮蓋，也讓「效能問題」在優化前就被識別出來而不是等上線後才發現。如果審查結果顯示問題集中在安全與慣例，可以搭配「Python 品質審查」做更細的安全掃描。