devgo.cn核心观点
- 通过15步重构实验，AI Agent代码库的输入Token消耗从159,564降至27,360，降幅83%。
- 重构并未减少代码总量（数据访问层总行数基本不变），而是通过拆分和抽象使Agent能读取更少的代码。
- 最大降幅出现在最后一步（最大文件从17,155行降至3,695行），但前期提取重复代码的步骤是必要铺垫。
- 随机切分文件效果有限，必须有策略地先提取公共逻辑再按职责拆分。
- 单次节省金额不大（约39.7美分），但在多次修改中累积可观，且可推广到整个代码库。
内容精讲
作者使用AI Agent（Claude Code、Cursor）构建了一个约15万行代码的复杂应用（Rust 12万行，其余TypeScript和Terraform），全程未人工审查代码。在开发中发现数据访问层单个文件膨胀到17,155行，充满重复代码：每次查询都重复HTTP请求设置和JSON编解码。这成为重构实验的契机。
实验设计严格：制定重构计划，定义一个代表性修改任务（如添加新查询），在每次重构步骤后让全新Agent执行同一任务并记录Token消耗。由于Agent不会从之前步骤学习，结果不受经验干扰。
共执行15步重构，包括提取FirestoreClient、抽取辅助函数、拆分查询模块、分离trait、创建codec、拆分fake_store等。每一步后记录数据访问层总行数、最大文件行数、输入/输出Token数、耗时。表格数据如下（基线到最终）：输入Token从159,564降至27,360，最大文件从17,155行降至3,695行，数据访问层总行数基本稳定在16,500左右。
关键发现：输入Token在重构前期持平，直到最大文件开始缩小后才急剧下降，最终降幅83%。输出Token基本不变，说明重构并未简化修改本身，而是减少了Agent需要阅读的代码量。
降本机制：节省并非因为总代码减少，而是Agent能成功识别并只读取最小必要文件子集。观察Claude Code的思考输出和文件读取摘要，证实Agent每次读取的代码段越来越小。
策略性重构 vs 随机拆分：单纯将大文件随机切分可能适得其反，因为Agent需要翻阅多个文件。有效的方法是先进行局部重构提取重复逻辑，形成内部抽象层，再按职责拆分。最大降幅出现在最后一步，但前期步骤为这一跃迁奠定了基础。
经济性分析：按Sonnet 5定价$3/MTok，单次修改节省39.7美分。但考虑到调试、复杂功能开发中多次修改，以及可推广到整个代码库，累积节省可观。同时提出开放问题：重构整个代码库需要多少成本？收益能否倍增？
结论与局限：实验证实重构能有效降低AI Agent编程的Token消耗。但当前Claude的Token计数方法不可靠（作者用字符数/4近似），且实验仅针对单一数据访问层。未来需要更精确的计量工具和更大范围验证。
阅读价值
适合使用AI Agent进行软件开发的工程师和技术管理者。读完将获得量化证据，理解重构在Agent编程中的经济价值，以及如何策略性地重构代码库以降低AI使用成本。
内容与图片版权归原作者所有 · 原文: https://martinfowler.com/articles/exploring-gen-ai/refactoring-economic-benefit.html