# ChatGPT Plus 辅助分析 Python 异常堆栈：从日志脱敏到回归测试

ChatGPT Plus 辅助分析 Python 异常堆栈：从日志脱敏到回归测试

在 Python 项目中遇到异常时，直接把整段日志复制给 ChatGPT Plus，再输入"帮我修复"，通常不是最可靠的做法。

完整日志可能包含无关信息、真实路径、服务器地址和用户数据；缺少运行环境、输入样本和业务约束时，模型也只能根据常见情况猜测。一个更稳妥的调试流程应该包括：

从堆栈底部确认异常类型和触发位置；
对日志和配置进行脱敏；
提取最小可复现代码；
第一轮只分析原因，不修改代码；
第二轮限定最小修复范围；
使用本地测试验证，而不是直接相信生成结果。

本文用一个 Decimal 与 float 混用的示例，演示如何让 ChatGPT Plus 辅助分析 Python 报错，同时保留人工审查、版本控制和回归测试（环球巴士整理）。

一、示例问题：Decimal 与 float 混用

假设项目中有一个用于计算含税价格的函数：

python 复制代码

from decimal import Decimal


def price_with_tax(price: Decimal, tax_rate: float) -> Decimal:
    return price * (Decimal("1") + tax_rate)


print(price_with_tax(Decimal("100.00"), 0.06))

运行代码：

bash 复制代码

python pricing.py

会得到类似下面的异常：

text 复制代码

Traceback (most recent call last):
  File "pricing.py", line 8, in <module>
    print(price_with_tax(Decimal("100.00"), 0.06))
  File "pricing.py", line 5, in price_with_tax
    return price * (Decimal("1") + tax_rate)
                    ~~~~~~~~~~~~~^~~~~~~~~~
TypeError: unsupported operand type(s) for +: 'decimal.Decimal' and 'float'

问题并不复杂：Decimal("1") 是 Decimal，而 tax_rate 是 float，Python 不允许直接把这两种数值类型相加。

但真实项目中的堆栈往往更长，还可能经过 Web 框架、数据库驱动和多个业务函数。如果只把日志交给模型，而不说明哪些代码属于自己、哪些来自依赖，回答很容易偏离问题。

二、先学会从异常堆栈底部向上读

Python 异常堆栈通常可以按下面的顺序阅读。

1. 最后一行：异常类型和直接原因

text 复制代码

TypeError: unsupported operand type(s) for +: 'decimal.Decimal' and 'float'

这一行给出了三个关键信息：

异常类型是 TypeError；
失败运算是加法；
两边的类型分别为 Decimal 和 float。

2. 倒数第二个业务栈帧：真正触发错误的位置

text 复制代码

File "pricing.py", line 5, in price_with_tax

如果堆栈中同时存在第三方库和项目代码，优先检查最靠近异常底部的业务代码栈帧，而不是立即修改依赖包。

3. 更上层栈帧：输入从哪里进入

text 复制代码

File "pricing.py", line 8, in <module>

这一层说明函数接收到的 tax_rate 是浮点数 0.06。如果真实项目中的值来自 JSON、数据库或环境变量，还要继续检查类型转换发生在哪里。

三、把日志交给 ChatGPT 前先脱敏

开发日志中常见的敏感信息包括：

Windows 或 Linux 用户目录；
服务器 IP、端口和内部域名；
数据库连接字符串；
Cookie、访问令牌和 API Key；
邮箱、手机号、订单号和用户 ID；
未公开的仓库地址和项目名称。

例如下面的日志不适合直接复制：

text 复制代码

POST internal-api.example.local/orders/849312
Authorization: Bearer TOKEN_VALUE
Database: postgresql://admin:PASSWORD_VALUE@10.0.0.8/prod
User email: user@example.com

可以改成：

text 复制代码

POST INTERNAL_HOST/orders/ORDER_ID
Authorization: Bearer YOUR_TOKEN
Database: postgresql://USER:PASSWORD@HOST/DATABASE
User email: USER_EMAIL

脱敏不能只做字符串替换，还要检查上下文。某些订单号、文件名或目录结构即使没有姓名，也可能暴露业务信息。

四、第一轮提示词：只分析，不生成修复代码

把最小代码和异常信息整理好后，可以先让 ChatGPT Plus 解释问题：

text 复制代码

请分析下面的 Python 异常，只说明能够从代码和堆栈直接证明的原因，暂时不要修改代码。

运行环境：
- Python 3.12
- 不使用第三方数值库

业务约束：
- price 使用 Decimal；
- tax_rate 表示 0 到 1 之间的税率；
- 金额计算不能退回 float；
- 当前公共函数名称和参数数量不能改变。

请按下面格式输出：
1. 直接原因；
2. 数据类型如何进入函数；
3. 可能受影响的边界情况；
4. 修复前需要确认的问题。

代码：
[粘贴最小复现代码]

异常：
[粘贴脱敏后的堆栈]

这一步故意不要求模型立即给出代码，原因有两个：

先确认模型是否正确理解异常；
避免它在没有业务约束时进行大范围重构。

如果第一轮分析已经出现错误，例如建议把全部金额改成 float，就应该先纠正前提，而不是继续让它生成补丁。

五、第二轮提示词：限定最小修复范围

确认原因后，再提出具体修改要求：

text 复制代码

请给出最小修复方案，必须满足：

- price 和返回值继续使用 Decimal；
- tax_rate 允许传入 Decimal、字符串或整数；
- 不接受 float，避免二进制浮点误差被带入金额计算；
- tax_rate 必须位于 0 到 1 之间，包含边界；
- 非法类型抛出 TypeError；
- 非法范围抛出 ValueError；
- 不引入第三方依赖；
- 输出修改后的函数和 pytest 测试；
- 不修改其他文件。

这里主动规定"不接受 float"，是为了让接口边界更明确。如果业务系统当前已经大量传入浮点数，也可以选择兼容，但必须先决定如何转换以及是否接受精度变化。

六、一个可审查的最小修复

下面是一种实现方式：

python 复制代码

from decimal import Decimal, InvalidOperation
from typing import Union


TaxRateInput = Union[Decimal, str, int]


def normalize_tax_rate(value: TaxRateInput) -> Decimal:
    if isinstance(value, float):
        raise TypeError("tax_rate must not be float")

    if not isinstance(value, (Decimal, str, int)):
        raise TypeError("tax_rate must be Decimal, str, or int")

    try:
        rate = value if isinstance(value, Decimal) else Decimal(str(value))
    except InvalidOperation as exc:
        raise ValueError("tax_rate is not a valid decimal value") from exc

    if not rate.is_finite():
        raise ValueError("tax_rate must be finite")

    if not Decimal("0") <= rate <= Decimal("1"):
        raise ValueError("tax_rate must be between 0 and 1")

    return rate


def price_with_tax(price: Decimal, tax_rate: TaxRateInput) -> Decimal:
    if not isinstance(price, Decimal):
        raise TypeError("price must be Decimal")

    rate = normalize_tax_rate(tax_rate)
    return price * (Decimal("1") + rate)

这个版本做了几件事：

明确拒绝 float；
将字符串和整数统一转换为 Decimal；
区分类型错误与数值范围错误；
保留原函数名称和参数数量；
没有引入第三方依赖。

是否需要单独的 normalize_tax_rate 函数，取决于项目规模。如果转换逻辑只使用一次，可以放回原函数；如果多个模块都处理税率，独立函数更便于测试和复用。

七、补充 pytest 回归测试

为修复代码添加测试：

python 复制代码

from decimal import Decimal

import pytest

from pricing import price_with_tax


@pytest.mark.parametrize(
    ("price", "tax_rate", "expected"),
    [
        (Decimal("100.00"), Decimal("0"), Decimal("100.00")),
        (Decimal("100.00"), Decimal("0.06"), Decimal("106.0000")),
        (Decimal("100.00"), "0.06", Decimal("106.0000")),
        (Decimal("100.00"), 1, Decimal("200.00")),
        (Decimal("0"), "0.25", Decimal("0.00")),
    ],
)
def test_price_with_tax_valid_input(price, tax_rate, expected):
    assert price_with_tax(price, tax_rate) == expected


@pytest.mark.parametrize("tax_rate", [0.06, object()])
def test_price_with_tax_rejects_invalid_type(tax_rate):
    with pytest.raises(TypeError):
        price_with_tax(Decimal("100.00"), tax_rate)


@pytest.mark.parametrize(
    "tax_rate",
    [Decimal("-0.01"), Decimal("1.01"), Decimal("NaN"), "invalid"],
)
def test_price_with_tax_rejects_invalid_value(tax_rate):
    with pytest.raises(ValueError):
        price_with_tax(Decimal("100.00"), tax_rate)


def test_price_with_tax_rejects_non_decimal_price():
    with pytest.raises(TypeError):
        price_with_tax(100.0, Decimal("0.06"))

运行测试：

bash 复制代码

python -m pytest -q

如果项目还使用 Ruff 或 Mypy，可以继续执行：

bash 复制代码

ruff check .
mypy .

工具名称和配置要以项目实际情况为准，不需要为了文章示例临时引入一套新的检查工具。

八、测试代码也要人工审查

AI 生成测试不代表测试一定有效。至少要检查下面几个问题：

1. 测试是否覆盖了业务边界

本例需要覆盖：

税率等于 0；
税率等于 1；
税率小于 0；
税率大于 1；
浮点数输入；
无法转换的字符串；
price 不是 Decimal。

2. 测试是否只验证了当前实现

如果测试完全照着实现细节编写，可能只是重复代码，而不是验证业务规则。测试应描述外部可观察行为，例如返回值和异常类型。

3. 是否为了通过测试而降低要求

当测试失败时，不应该直接删除断言、扩大允许范围或捕获所有异常。先确认失败来自需求、实现、测试数据还是运行环境。

九、使用 git 检查修改范围

在接受任何 AI 生成的修改前，先查看工作区：

bash 复制代码

git status --short
git diff --check
git diff

重点检查：

是否修改了约定范围以外的文件；
是否意外改变公共函数签名；
是否加入没有说明的新依赖；
是否把真实日志、令牌或本地路径写进测试；
是否删除了原有测试；
是否出现大面积格式化导致 Diff 难以审查。

对于规模较大的修改，可以要求 ChatGPT 先输出文件清单和实施计划，确认后再逐个文件处理。

十、适合复制的异常分析模板

下面这个模板可以用于大多数 Python 报错：

text 复制代码

请分析这个 Python 异常。

运行环境：
- Python 版本：
- 操作系统：
- 主要依赖及版本：

预期行为：

实际行为：

最小复现步骤：
1.
2.
3.

业务约束：
- 不能修改：
- 必须保留：
- 允许修改：

请先只输出：
1. 能够从代码直接证明的原因；
2. 触发条件；
3. 仍缺少的信息；
4. 最小修复计划。

在我确认计划前，不要生成完整重构代码。

模板不需要每次全部填写。简单问题可以缩短，但运行环境、预期行为、实际行为和最小复现通常不能省略。

十一、常见问题

1. 可以把整个项目压缩后直接上传吗？

不建议把未筛选的完整项目直接作为第一步。应先排除 .env、密钥、证书、数据库备份、用户数据、构建产物和无关依赖，再从最小模块开始分析。

2. 堆栈太长，应该截取哪一部分？

至少保留异常类型、完整错误消息、最靠近异常位置的业务栈帧，以及能够说明输入来源的上层栈帧。不要只截最后一句，也不必保留几千行重复日志。

3. ChatGPT Plus 给出的代码可以直接用于生产环境吗？

不可以直接使用。生成代码应经过人工审查、本地测试、集成测试和必要的安全检查，高风险变更还需要审批和回滚方案。

4. 为什么同一个报错每次得到的建议不同？

模型输出存在一定变化，上下文和提示词也会影响结果。使用固定的最小复现、明确约束和可执行测试，比依赖某一次回答更可靠。

十二、总结

使用 ChatGPT Plus 分析 Python 异常堆栈时，重点不是让模型尽快输出一段修复代码，而是建立一个可复现、可审查、可验证的流程：

从堆栈底部确认异常和触发位置；
对日志、路径和配置进行脱敏；
提取最小复现代码；
第一轮只分析原因；
第二轮限制修改范围；
添加边界测试和异常测试；
通过 git diff 与本地测试验证结果；
最终由开发者决定是否采用修改。

ChatGPT Plus 可以帮助缩短信息整理和方案探索的时间，但代码是否正确，仍然要由运行结果、测试和人工评审来证明（本文由环球巴士整理，一站式账号服务）。

资料说明

Python 官方文档：decimal 模块
Python 官方文档：异常与回溯信息
pytest 官方文档：参数化测试与异常断言

本文示例为原创最小复现，代码仅用于演示异常分析方法。实际项目应根据业务规则、依赖版本和团队规范调整。