如何利用AI现代化遗留应用而不使其变成重写
内容提要
AI辅助旧系统迁移时，不应仅做代码翻译，否则会保留原有架构问题。应先用AI理解代码、识别业务规则和依赖，建立特征测试保护现有行为，找到安全迁移接缝，逐步重构和迁移。AI适合机械性转换，但架构决策需人工负责。通过差分测试和影子流量验证新旧行为，最终实现系统真正改进而非技术栈替换。
延伸解读
AI迁移的陷阱：代码翻译不等于现代化
文章指出，仅用AI将旧代码翻译成新语言或框架，往往只是技术栈替换，原有架构问题（如耦合、业务规则不清晰）依然存在。真正的现代化需要先理解代码、识别业务规则和依赖，再逐步重构。AI擅长机械性转换，但架构决策必须由人工负责，否则可能加速引入未知问题。
特征测试：保护现有行为的安全网
在重构前，用特征测试记录系统当前行为，即使某些行为看似错误，也可能被业务依赖。AI可辅助生成测试用例，但需人工审查。这些测试不是证明旧行为正确，而是确保重构不意外改变行为。若发现bug，应有意修改而非依赖测试掩盖。
增量迁移与影子流量：降低风险的关键
文章推荐按业务能力垂直切片迁移，而非一次性重写，并利用差分测试和影子流量对比新旧系统行为。影子流量可暴露真实场景下的差异，但需注意副作用（如支付、邮件）和隐私问题，通常用记录适配器避免重复执行。差异不一定是bug，但需人工分类处理。
衡量迁移成功：不止看代码量
迁移成功不应仅以旧代码减少为指标，而应关注系统是否真正改进。文章建议从运维（部署频率、故障恢复）、工程（测试覆盖、架构违规）和迁移特定（回归率、新路径流量占比）等多维度衡量。AI加速代码转换，更需强化验证流程，否则只是更快引入未知变化。
Q&A
如何利用AI进行遗留系统迁移，避免变成简单的重写？
不要将AI仅用作代码翻译器，而应先用AI理解代码、识别业务规则和依赖，建立特征测试保护现有行为，找到安全迁移接缝，逐步重构和迁移。AI适合机械性转换，但架构决策需人工负责。
在遗留代码迁移前，如何用AI映射代码库？
在仓库、模块、函数级别分别分析，识别入口点、数据库访问、外部API、业务规则、依赖、副作用等。AI可以加速探索，但结果需与实际代码、测试、日志等核对，仓库仍是事实来源。
什么是特征测试（characterization tests）？在迁移中如何利用AI生成？
特征测试是捕获系统当前行为的测试，而非期望行为。AI可以生成测试用例，覆盖正常输入、边界值、无效输入、异常和副作用，以保护现有行为，防止重构时意外改变。
如何找到遗留系统中的安全迁移接缝（seams）？
利用AI分析代码，识别业务规则、基础设施关注点、副作用、共享可变状态和依赖，提出可能的边界。例如，将领域逻辑与基础设施分离，形成接缝，使新旧系统可以共存。
在迁移过程中，AI适合处理哪些任务？哪些任务需要人工决策？
AI适合解释代码、识别依赖、生成特征测试、生成适配器、更新API、翻译机械代码、比较实现等。需要人工决策的包括：目标架构、可接受的行为差异、安全边界、数据迁移策略、发布和回滚策略等。
如何验证迁移后的系统行为与旧系统一致？
可以使用差分测试（differential testing）和影子流量（shadow traffic）。差分测试将相同输入分别输入新旧系统，比较输出；影子流量将生产请求复制到新系统，但不影响用户，比较结果。注意避免重复副作用。
迁移后如何衡量系统是否真正得到改进？
不应仅看代码迁移百分比，而应关注运营指标（如部署频率、变更失败率）、工程指标（如测试覆盖率、架构违规）和迁移特定指标（如回归率、未解决的行为差异）。
AI辅助迁移中最大的风险是什么？如何应对？
最大的风险是生成看似合理但悄悄改变业务规则的代码。应对方法是强调特征测试和行为比较，确保验证过程足够强大，因为转换速度越快，验证越重要。
