专家主导的AI应用现代化：如何让AI工具与人类开发者高效协作

将 AI 视为加速工具，让它处理机械的代码扫描与重构建议，同时依赖人类领域专家来把控方向、管理风险与战略决策。这种“专家主导”的模式，才能实现可预测且持续的应用现代化。

译自：AI accelerates modernization, but don’t leave human devs behind
作者：Matthew Weier O’Phinney

面对遗留系统，传统路径往往令人两难：要么不断“打补丁”直至技术债压垮一切，要么冒险进行代价高昂的彻底重写，用一个已知问题去换一堆未知问题。但现在，随着 人工智能 工具的普及，情况正在快速改变——代码正以前所未有的速度被扫描、总结和更新。

对于那些深陷技术债务泥潭的组织而言，这无异于一个救生圈。我们最近甚至看到，当 Anthropic 宣布其 Claude Code AI 可用于现代化 COBOL 后，IBM 股价应声大幅下跌。这种渴望可见一斑。

然而，我们必须清醒认识到：速度不等于成功。尽管 AI 工具能显著缩短现代化时间，但确保结果准确性的，仍然是不可或缺的领域专业知识。

AI 在现代化工作中的闪光点

应用现代化的核心工作充斥着大量重复、机械的任务，例如识别过时的模式、废弃的函数以及复制粘贴的代码片段。这正是 AI 现代化工具大放异彩之处：它们能高效扫描大型代码库，发现普遍性问题并提出更新建议。

AI 能够总结陌生的代码逻辑，高亮高风险依赖，并草拟初步的重构方案，让现代化工作的启动变得更快、更容易。这正是基于代理的现代化平台（例如 MongoDB 新推出的 AMP）变得如此受欢迎的原因。

更重要的是，AI 能帮助团队打破“无从下手”的僵局。作为 Perforce Zend 和 Perforce OpenLogic 的首席产品经理，我见过太多现代化项目在起点就停滞不前，原因仅仅是代码库看起来过于庞大和复杂。而 AI 工具恰恰降低了这道认知门槛，它能帮助团队快速探索应用现状，规划高效的 Web 应用程序迁移路径。

这种“破局”的势头至关重要。AI 工具为团队提供了一条快速深入代码的捷径，能迅速回答基础性问题，并减轻了面对遗留系统时的恐惧感。当然，这一切的前提是，AI 工具必须与领域专业知识结合使用。缺乏监督地使用 AI，可能导致代价高昂的后果。

AI 的局限：无法理解你的整个系统

尽管优势明显，但 AI 现代化工具有一个关键局限：它无法理解你的整个系统。你的应用程序越庞大、越复杂，这一点就越发真实。AI 可以更新代码行，但它无法完全理解或预测这些代码在生产环境中的实际行为。

它不明白为什么存在某些“变通方法”，不知道客户如何依赖某些边缘情况，也无从判断哪些故障会引发真正的业务风险。毕竟，遗留系统很少有“干净”的，AI 依赖模式识别而非实际业务经验。业务规则常常隐藏在令人意想不到的角落，一次微小的代码改动，就可能波及计费、合规乃至客户信任。

“遗留系统很少是干净的，AI 依赖模式工作而非实际经验。”

此时，正是人类专家监督发挥决定作用的时候。领域知识对于驾驭遗留系统的复杂性、处理隐藏的依赖关系至关重要。经验丰富的开发者、工程师和架构师清楚系统的哪些部分最为脆弱，哪些更改相对安全，以及哪里需要额外的测试——这种判断力目前无法被自动化。

你组织内的领域和主题专家，了解特定应用程序行为存在的历史原因及其解决的实际问题。正是这些人能够识别出应用程序真正关键的核心部分，并完整地捕捉需求。没有这种专业知识，任何 AI 代理和流程都难以取得成功。

将 AI 视为伙伴，而非替代品

最佳的前进道路，是将 AI 视为团队中的一名特殊成员，并精确地为其设计运行的上下文。通过“上下文工程”，你可以为 AI 工具设定明确的边界、系统知识和目标，让它们专注于最擅长的工作：扫描代码、识别模式、提出建议、加速日常。

然后，由人类开发者接手 AI 无法完成的任务：设定战略方向、管理业务风险，并确保所有更改最终都符合组织的核心商业目标。

“最好的前进方式是将 AI 视为团队成员，并精确设计其运行的上下文。”

这种“伙伴”视角将彻底改变现代化项目的范围。你的团队可以采取更安全、更渐进的小步迭代，而非冒险的“大爆炸”式重写。AI 负责提出变更方案，而人类专家则负责决定接受、调整、延迟或拒绝哪些变更。

以 Perforce Zend 的专业服务团队为例，我们使用 AI 工具协助客户现代化关键的 PHP 应用。在一个案例中，我们帮助客户将应用从 CodeIgniter 迁移到 Symfony。我们利用 AI 工具进行事实核查、自动化头脑风暴，并大幅减少了时间投入。然而，速度的提升并未以牺牲稳定性为代价。我们的 PHP 工程师审查了所有 AI 输出和结果，确保客户能更快、更自信地达成目标——这正是专家主导的 AI 现代化策略的成功实践。

另一个例子来自 MongoDB，他们发现使用 LLM 和 AI 工具可以全面辅助遗留应用的现代化与迁移。通过应用 AI，那些计划使用或迁移到 MongoDB 的组织，可以自动化大量在云和平台过渡中通常需要手动完成的繁琐工作。这极大地减少了迁移时间和成本。例如，瑞士银行 Lombard Odier 借助此类工具，将代码迁移速度提高了 50 到 60 倍。

结论很明确：当 AI 的速度与人类知识的准确性相结合时，现代化过程将变得可预测。团队可以在不同系统、版本和项目之间复用这一成功模式，从而将现代化从一次性的“救火”事件，转变为可持续的例行实践。

如何开始专家主导的 AI 现代化

如果你正在寻找有效实施专家主导的 AI 现代化策略，可以参考以下这份实用步骤清单：

1. 首先定义目标状态 — 在引入任何 AI 工具之前，与团队一起设定明确的目标、约束条件和那些“绝对不能失败”的核心领域。
2. 将 AI 用于提速，而非决策 — 明确让 AI 负责加速代码分析和草拟方案，而将最终决策权牢牢掌握在人类专家手中。
3. 将决策锚定在领域专业知识上 — 将业务背景、法规要求和运营现实应用于对每一次变更的评估中。
4. 标准化有效的方法 — 将经过验证的现代化步骤和模式，沉淀为可重复、低风险的行动指南或检查清单。
5. 生产前严格验证更改 — 由专家为关键部分编写或补充测试，全面验证功能、性能、安全性和运维影响，确保 AI 生成的代码不会引入新的风险。
6. 使现代化持续进行 — 利用 AI 建立机制，持续保持系统更新，而不是等到危机爆发时才动手。
7. 诚实评估内部能力 — AI 工具无法弥补专业知识的缺失。如果团队存在知识或技能缺口，应积极考虑与可靠的第三方支持或专家社区（如 云栈社区 ）合作，以填补空白。

请记住：AI 工具为现代化带来了前所未有的速度，而领域专业知识则提供了无可替代的准确性与安全保障。两者结合，是一种强大的组合，它能从根本上改变我们处理遗留系统现代化的方式——在不牺牲稳定性或信任的前提下，交付最佳成果。