在AI时代，代码迅速变为遗留代码，缺乏测试的代码被视为遗留。开发者转向监督角色，依赖AI重构流程以降低测试成本。结合经典方法论与AI，提升代码质量，开发者需关注质量责任。

马丁·福勒认为人工智能是编程领域的重大变革，LLM（大型语言模型）代表非确定性计算，区别于传统的确定性计算。虽然LLM有助于理解遗留代码，但修改代码的安全性仍存疑。他建议开发者与LLM互动时采取更严格的方法，并借鉴结构工程的思维来评估AI的使用。

大卫·斯坦在QCon AI纽约2025上介绍了如何在几周内迁移遗留代码，强调传统迁移需数年且风险高。通过案例研究，ServiceTitan采用新方法和“装配线模式”，将迁移时间缩短至几周，提升灵活性和效率。他提出“虚假高峰”概念，强调迁移中的潜在失败和验证的重要性。

提问者询问在使用AI编码工具时，应该先编写测试还是先生成代码。作者在处理遗留代码时倾向于先写代码，而在新项目中则倾向于先写测试。

艾比·佩里尼，27岁，自学编程，曾在工程招聘公司工作。她专注于大型遗留代码，教授开发者最佳实践。她分享了快速适应遗留代码、吸引雇主注意、应对ADHD及保持专注的方法，以及编织和角色扮演如何提升她的开发者视角。

生成式人工智能（GenAI）逐渐应用于企业，帮助开发者减轻维护遗留代码的负担。公司如Tabnine通过增强生成技术，提高代码理解能力，确保安全合规，助力开发者更有效地处理遗留系统。

本文探讨了如何将CSS级联层集成到现有项目中，重点在于在不破坏现有功能的情况下重构遗留代码。通过分析一个Discord机器人网站，作者展示了如何将样式分层，以提高可维护性和组织性。最终，作者强调了层次结构的优势，尽管在处理现有代码时仍面临挑战。

Thoughtworks首席技术官Rachel Laycock讨论了AI对技术行业的影响，指出依赖AI生成代码可能加剧遗留代码问题且安全性存疑。尽管AI能提高生产力，但真正的挑战在于理解和现代化旧系统。Laycock强调AI应辅助开发者而非取代他们，企业需谨慎采用新工具，以确保技术人才的价值。

该项目利用Amazon Q开发者和Agentic AI实现遗留代码的现代化，支持多语言转换。用户通过Streamlit界面上传代码，系统自动选择AI代理进行转换，生成并存储现代化代码。项目提供全面日志记录，确保转换过程可追溯，提升代码可维护性和安全性。

“代码耳语者时间机器”项目旨在将遗留代码库转化为现代AI互动系统，帮助开发者理解代码演变。该工具利用Amazon Q翻译旧代码，生成文档，并提供AI辅助的解释和重构建议，以提升代码的可读性和维护效率。

遗留代码是开发者的负担。AI工具通过自动代码审查、风险预测、重构建议、文档更新和测试生成等功能，帮助清理技术债务，提高开发效率。

遗留代码常让工程师困惑，降低团队效率。糟糕的架构使新开发者上手困难，技术债务影响创新。架构可视化工具能生成依赖图，帮助理解代码结构并安全重构服务。使用NanoAPI等工具可提升开发效率。

自2006年推出以来，WPF在2025年仍被广泛使用。尽管微软推广MAUI和WinUI，WPF因其支持大量遗留代码、出色性能和成熟生态系统，依然在企业级应用中活跃。它适合Windows内部工具和需要深度UI控制的应用，但不适合跨平台或现代消费级应用。

凯尔采访了前Stacker迈克尔·斯图姆，现任neuRealities首席软件工程师。两人讨论了WebAssembly的优势、迈克尔在Stack Overflow的经历以及遗留代码的挑战。迈克尔是首位获得10,000声望的用户，至今仍在努力。

Slack的DevXP团队通过智能重用前端资产，优化了E2E测试流程，减少了60%的构建频率和50%的构建时间，显著提高了构建效率，降低了测试不稳定性，并促进了对遗留代码的深入探索。

遗留代码在软件开发中不可避免，虽然常被批评，但通常稳定且持久。作者指出遗留代码与技术债务不同，建议通过“Strangler Fig”模式逐步替换遗留系统。设计新系统时应考虑未来维护，确保代码易于理解和使用。良好的封装、测试和注释是提升代码质量的关键，目标是构建更易维护的代码。

Lumix Labs创始人Ashwani推出Swift工具，旨在帮助工程团队更高效地交付遗留代码。公司采用反向招聘模式，重视实际贡献而非简历，欢迎使用任何编程语言和AI工具，灵活工作，寻找自驱动的开发者。

我在研究软件维护，特别是遗留代码和技术债务的问题。希望了解开发者在处理复杂代码时的策略，如边改边重构或避免修改有效部分，以及遇到的主要障碍和经验建议。