PS：本文的适用场景是：中大型老旧系统、大量的相同技术栈应用，即可以通过构建工具来获得规模化效应，进而在 ROI 的成本上获得更可观的收益。 并不适用于单个小型系统，小型系统直接使用 Augment、Cursor 之类的工具就可以转换完成。

在过去，老旧系统、遗留系统的现代化是一项高度复杂、割裂且重复的工程，需要大量人工操作。而 AI 编程工具的完善与 Vibe Coding 的兴起，为我们带来了一种全新的可能性：它将这些碎片化的任务连接成一个智能协同的工作流，助力我们跨越理解、转换、重构、部署的每一步。

现在你可以，用生成式 AI 来：

1. 生成针对性方案。借助 DeepResearch 来研究已有的互联网案例，针对我们提出的问题，给出更加详细的问题解答。
2. 辅助进行分析。使用 AI 编码工具的 AI Agent 结合代码现状来评估方案是否靠谱，并改进原来的方案。
   • 上下文分析服务。老旧系统经常面临上下文过长的问题，需要经过预处理，以满足模型的窗口，而 AI 编码工具可以针对性解决此类问题，再将其转换为 MCP 服务。
   • 转换为图结构。编码以将代码转换为图结构，方便人类更好地理解老旧系统的业务。
3. 辅助进行新应用设计。结合已有的文档、代码等信息，结合 DDD（领域驱动设计）来生成新的架构设计。
4. 辅助置换旧应用。即 AI 生成 AI 迁移工具，以大大加速现有应用的迁移，并尽可能少破坏现有的业务逻辑。

如此，我们便可以打造出基于 workflow + Agent 的自动化迁移工具。这就是，我想在这篇文章中介绍的主要内容。

从经典路径到 AI 辅助：现代化演进路径

尽管大模型的能力一直在提升，但是，它还没有达到我们能放心的地步。因此，在现阶段（2025.08，毕竟模型能力还会继续提升）而言，我们更多的还是关注 在使用 AI 来提升在迁移的不同阶段的提升，即在迁移的 workflow 中引入 AI 来提升效率。因此，使用 AI 辅助改造之前，我们有必要对基本的 AI 辅助 老旧系统改造有基本的认知，再结合 AI 来进行学习。

谋定后动，6R 策略与演化布局

现代化策略与评估：6R 方法论与收益对比

在云迁移与应用现代化的典型路径中，我们（结合 Gartner 与 NTT Data）将其归纳为 6R 策略：Rehost（重托部署）、Replatform（重构平台）、 Repurchase（替代购买）、Refactor（重构代码）、Retire（淘汰）、Retain（保留）

策略名称	英文名称	说明
Rehost	重托部署	将系统迁移到新的基础设施（如云环境），不改动应用代码
Replatform	重构平台	对平台进行最小改动，使系统能更好运行在新环境中
Repurchase	替代购买	用 SaaS 或商用软件替代原有系统
Refactor	重构代码	修改代码以提升可维护性与性能，不改变功能
Retire	淘汰	停用不再需要的系统或模块
Retain	保留	保持系统原样运行，无需变更

相比于简单的云迁移（如“搬迁与迁移”模式，Lift & Shift），遗留系统现代化对业务的影响更深远，能够为企业带来显著更高的价值。 在所有选项中，重构架构（Re-architecting） 是最具回报的方式，不仅能带来 超过 50% 的成本节省，还提升了生产效率和业务敏捷性。 而相比之下，重托部署（Rehosting） 仅能实现 约 25%-30% 的成本节省。综合来看，重构架构（Re-architecting）不仅具备成本优势， 还能带来生产力和业务敏捷性的双重收益。

组合 6R 策略设计迁移路径

在实际的系统现代化过程中，6R 策略往往不是互斥的，而是可以组合使用的。大型系统通常由多个子系统、模块或服务组成，彼此在技术债务、 业务重要性、生命周期等方面差异显著，因此更适合采用差异化、多策略并行的迁移方式。

以下是一个 SAP 系统现代化的实践示例，展示了如何组合多种策略：

1. Rehost（重托部署）：将现有的 SAP 应用以“搬箱式”方式迁移至云端，主要改动在基础设施层。这种方式能在短时间内实现上云，但如果业务流程和架构不随之优化，投资回报率（ROI）往往较低。
2. Replatform（重构平台） + Refactor（重构代码）：在已经迁移上云的 SAP 系统基础上，引入云原生架构的外围服务，如通过 CI/CD 管理新增功能、以微服务或 API 分层替代原有模块，提升系统的灵活性、可维护性和扩展性。
3. Retire（淘汰）+ Refactor（重构代码）：借助现代化契机剔除冗余的自定义代码，清理脏数据和重复逻辑，提升主数据质量。这一过程中需重点解决三大挑战：
   • 复杂的遗留系统结构（60%）；
   • 高度定制化导致迁移难度高（59%）；
   • 主数据不完整或冗余严重（51%）。
4. Retain（保留） + Repurchase（替代购买）：部分模块可部署在 IaaS/PaaS 环境中保留运行，保持自主控制；而非核心系统可直接替换为 SaaS 方案，提升效率，降低维护成本。

通过这种“按模块施策，组合应用 6R 策略”的方式，企业可以降低整体迁移风险、分阶段控制成本，并灵活适应数字化转型节奏 。系统现代化并非一次性重构的短跑，而是一个不断演进的长期过程，因此合理规划和动态调整迁移路径，是实现现代化价值最大化的关键 。

步步为营，渐进式拆解与迁移路径

渐进式迁移演进遗留系统

为了实现这种渐进式的演进，我们建议采用了经典的 “绞杀模式”（Strangler Fig Pattern）。这一模式模拟了热带植物绞杀榕树，逐步包裹旧树的方式 ——在旧系统周边逐步构建新系统功能，最终实现替代和淘汰。正如图示所展示的过程：

1. 在初始阶段（Stage 0），企业规划与准备现代化路径，并通过 CDC（变更数据捕获）技术，将旧系统的数据同步到新的读取接口中，为后续替代做准备。
2. 随后进入并行运行阶段（Stage 1），新旧系统共存，旧系统仍处理写入操作，而读取可以逐步转向新系统，通过事件总线等方式保持数据一致。
3. 在替代阶段（Stage 2 → N-1），系统将功能模块逐个迁移到新架构中，客户端调用被 API Gateway 接管，内部通过 Command 和 Query 模型与微服务通信。部分模块可选择双写、数据同步或反向代理等方式平滑过渡。
4. 最终，在所有关键模块替代完成后（Stage N），旧系统被完全停用，遗留生态被安全“绞杀”。

通过这种与 6R 策略高度兼容的绞杀模式，企业可以降低迁移风险、控制技术债累积、保持业务连续性，并实现架构的逐步演进。 这也体现了现代化的本质：不是一蹴而就的“重启”，而是一场可管理、可度量、可演进的“技术生态更新”。

经典的落地迁移 Workflow

如下图所示，其展示了从遗留系统到现代化应用的完整改造路径，可以分为九个阶段：

1. 遗留系统：识别需要改造的老系统。
2. 改造目标：明确现代化的业务与技术目标。
3. 系统评估：从技术、流程、架构等角度全面评估当前系统。
4. 系统拆分：进行资产分析、依赖识别与模块划分，必要时采用逆向工程。
5. 改造方案设计：基于现状制定现代化路径，结合团队能力设定优先级。
6. 增量式交付：以小步快跑方式开发目标领域功能，降低风险。
7. 内部发布：在组织内部先行验证系统改造成果。
8. BETA发布：小范围上线，收集用户反馈。
9. 现代化应用：全面上线，系统完成转型。

简单来说，我们需要设计好目标的系统架构、迁移应用的模板，再结合不同的场景来寻找、设计、构建不同的工具来加速我们的迁移，减少人天在这个过程中的 工作量。在没有 AI 的时代，我们优先会考虑：

• 结构树提取：
  • 将字节码构造成 AST（抽象语法树）/Control Flow Graph，方便分析调用链
  • 使用诸如于 Antlr 直接来分析不同的语言源码，来分析跨语文关联关系
• 图增强/语义增强：结合字节码 + 反编译源码 + 注释进行混合建模
• 可视化工具链：将 Bytecode → AST → 前端可视化
• 转换代码：结合 AST 分析到的关键类信息，直接置换为代码

而在有了 AI 之后，它可以更快地完成这部分的工作流。

AI 辅助迁移方案研究与设计

配合上上述提供的基础知识，你可以很容易利用诸如 Gemini DeepResearch 工具，结合你提供关键的上下文信息，AI 就能针对互联网上类似的场景或者 已有的知识（虽然大部分不靠谱）来给你设计一个相对靠谱的方案。

尽管如些，你还是需要关注以下几个点：

• 迁移路径。能不能更小地影响业务上的影响，而去采用更稳妥的方案来进行。
• 内部模型能否满足要求。受限于安全合规等问题，如果不能使用外部的模型时，内部的模型是不是可行的？
• 是否存在非 AI 工具来转换。生成式 AI 生成的内容是存在幻觉的，所以需要借助于其调研有没有基于 AST 的工具来进行转换，再配合 AI 修复。
• 安全防护网。如何针对于前后产生的流量、数据变更进行捕获，引入 CDC 等工具，来确保前后逻辑一致性。
• ……

诸如此类的，常见的觉得需要思考的问题，也可以让 AI 去调研。

AI × Legacy Modernization：从增强语义理解到 10x 速度的重建

基于过往丰富的遗留系统迁移经典，我们会加 AI 加速放在两个主要的领域：

• 加速对于遗留系统的分析与评估，如：AI 生成分析工具，生成符合业务语义的知识库，生成可视化的代码等。
• 加速转换到目标的新应用架构上，如：在转换规则生成，基于业务语义生成代码，基于数据库 schema 生成代码等。

与现有的 AI 编程是相似的，我们可以借用大量的 AI 工具来帮助设计迁移。

加速逆向：增强语义分析与全面的系统评估

理解 AI 遗留系统代码，和我们在 AI 编程助手中使用的解释代码本质是一样的，就是 AI 将代码转为文本。只是，受限于上下文长度，我们往往需要裁剪上下文； 并且由于上下文是有关系的，所以需要构建出对应的图来表示概念间的关系。因而，对于遗留系统而言，我们仍然需要上下文工程，以提供更方便的方式让普通人来理解。

构建语义代码图谱：从依赖关系到知识生成

与文档之类的弱关联性不一样，代码本身就是带有非常强的图属性：即基于类和函数的调用关系。再结合代码所表达的业务含义，我们就可以构建出适合于人类 理解的知识图谱。通常来说，因此它可以由如下的两部分组成：

• 依赖分析生成图关系
• 基于 AST 的依赖分析
• 基于 LLM 的依赖分析
• 知识生成以增强语义。
• 使用 TreeSitter 来进行代码 chunk，调用模型 t
• 对文档进行 chunk 拆分

一个详细的案例可以参考 Thoughtworks 所构建的 CodeConcise 工具的架构 示例：

• 利用 TreeSitter、Antlr 分析代码依赖。摄取（IngestionTool）工具利用加载器 (Loaders) 读取应用程序代码，并在图数据库中创建节点树。加载器可以根据预定义的拓扑结构，针对不同的编程语言进行定制。
• 构建知识图谱并向量化 LLM 返回结果。增强功能通过特定操作提取代码的各个方面，并从大语言模型 (Completions LLM) 获取解释。来自大语言模型的每个响应都会附加到节点树上，从而丰富知识图谱，并创建一个关于代码的动态信息库。
• 提供上下文切片与 Prompt 支持。包括通过标注过程识别出的各项功能、与其他文件的关系以及特定的函数。

将复杂的带有业务逻辑的代码转换为易于理解的知识图谱，能够帮助开发者更快地掌握系统架构、业务逻辑和数据流动。在重写系统的第一个阶段时，它可以提供 非常清晰的系统视图，帮助开发者快速定位关键模块和依赖关系。

逆向工程生成知识：从字节码到逻辑还原

在缺乏源代码或文档的情况下，我们仍然可以借助 AI 对系统进行“逆向理解”。比如，从字节码（如 Java ASM）出发进行伪代码生成，再借助大模型的推理能力还原业务逻辑。 又或者是对生成的 DLL 进行反编译，提取类型库（tlib）和字符串信息，进而分析系统的行为。

诸如于通过字符串搜索定位关键操作（如数据库表名、提交按钮），作为分析的起点，我们可以：将 ASM（汇编）转换为伪代码，再向大模型提供伪代码， 获取功能解释和控制流分析。

AI 在这里可以帮助我们：

• 伪代码转自然语言：辅助理解复杂的汇编逻辑；
• 推导分析路径：建议分析顺序、可能的行为入口；
• 交叉验证：通过 SQL、类型库（tlib）、日志行为等维度增强解释可信度；
• Prompt Engineering：通过开放式提示减少幻觉倾向，引导模型从数据出发，而非揣测目标。

这种方式尤其适合黑盒系统，如 DLL 无文档接口、遗留 UI 框架系统等，能够从三方面入手：

• 前端分析：UI 元素识别、动态行为分析（JS + ASP）；
• 后端逻辑还原：数据库 schema 推理、反编译代码分析；
• 程序集提取：DLL 类型库分析、字符串查找、子函数调用路径绘制。

相似的，对于于其他语言的字节码（如 C# 的 IL、Python 的字节码），我们也可以采用类似的方式进行逆向工程。

驱动现代化：自动化的翻译代码与校验自动化

代码分析与理解只是第一步，最终目标是实现可演进的新系统架构，以及借助 AI 实现自动化迁移和语法规则转换。

前向设计：打造可演进的新架构

结合从数据库、代码和业务逻辑中提取的知识图谱，我们可以快速整理出每个业务模块的核心功能和依赖关系。在这时，我们需要创建出新的微服务应用模板、 前端组件库和前端应用模板等，就可以开始进行代码的迁移。然后，可以让 AI 来生成新的架构设计：

• 基于领域建模构建模块化系统
• 推导 RESTful API 设计
• 识别前端组件并构建设计系统

这种生成的方式与我们现有的 AI 编程助手使用是相似的，只是它的输入是来源于现有的代码、业务逻辑和数据模型，而不是从零开始。

迁移规则生成：AST 转换下的 + AI 实践

自动化翻译：AST 工具驱动的结构性代码变换

现代化迁移的一大基础是结构可靠的代码重写能力，即在保证语义等价的前提下进行大规模语法替换与代码升级。这类任务适合交由基于 AST（抽象语法树）的工具完成， 它们能够精确地定位语法节点，进行批量修改，并最大程度避免误伤。例如，在不同语言生态中都出现了成熟的 AST 工具：

• Java – OpenRewrite：通过规则化的 recipe 文件实现对 Java 代码的批量迁移，适用于 Spring 升级、日志框架替换等场景。
• Vue – gogocode：支持 Vue 单文件组件（SFC）中 script 和 template 的 AST 变换，能够识别 template 中的指令、事件绑定等结构。
• React – jscodeshift：由 Facebook 提供的 codemod 工具，广泛用于 React API 升级（如从 createClass 到 ES6 class）、状态管理替换等。
• 通用 – ast-grep：基于 Tree-sitter 的多语言 AST 查询与替换工具，支持结构化搜索、重写与 Playground 调试。

再配合 CLI 工具和 IDE 插件，可实现对不同语言的项目进行批量语法迁移。

迁移规则生成：用 AI 完成语义迁移的最后一公里

尽管 AST 工具在结构重写方面表现优异，但面对复杂的业务语义迁移，仅靠 AST 模式匹配往往力有未逮，这时就需要结合 AI 生成迁移规则、设计重写逻辑。 如下是通过 AI 生成 rewrite.yml：

type: specs.openrewrite.org/v1beta/recipe
name: MigrateSlf4jToPLogger
displayName: Migrate SLF4J Logger to PLogger Singleton
recipeList:
  - org.openrewrite.java.ChangeType:
      oldFullyQualifiedTypeName: org.slf4j.Logger
      newFullyQualifiedTypeName: com.phodal.PLogger

通过直接生成迁移规则，再配合 AI 生成测试用的代码，我们就可以在工具中校验迁移规则的正确性，再进行迁移。而除了生成规则的方式，我们也可以直接生成 迁移用的代码，比如直接使用 OpenRewrite 的 Java API 来进行迁移。

Vibe 自动化遗留系统迁移的 AI Agent 工具

在我们有了更加丰富的经验和足够储备之后，剩下的问题就非常简单了：将这些经验和工具结合起来，构建出一个自动化的迁移工具。

借助最好的 AI 编程工具 Vibe 原型

构建 AI Agent 工具并不是一件简单的事，因此我们建议你：

1. 在外部/外网环境，可以使用 Claude 4 的 AI 编程工具，如 Augment 等来构建原型
2. 选用和内部模型相当能力的模型来实现 AI 服务能力
3. 结合大量的开源代码来测试工具，丰富工具的不足之处

如下是一个我们设计的用来练习这一类场景的提示词示例：

项目目标：创建一个 Java CLI 应用，自动将遗留的 JSP 项目转换为现代化的 Spring Boot 应用。

技术栈选择：
1. 构建系统：Gradle
2. CLI 框架：Picocli（命令行接口）
3. 代码生成：JavaPoet 或 Freemarker
4. 解析工具：
   - JavaParser：解析 Java 源码
   - jsp-parser：解析 JSP 文件
   - ASM：解析编译后的字节码（jar 包）
   - 需要将 JavaParser + ASM 结合，构建代码依赖图
5. HTML 处理：Jsoup（如需要）
6. 代码迁移：OpenRewrite（用于语言版本迁移）

通过反复的迭代和测试，这个原型可以帮助我们快速验证思路，并在此基础上构建更复杂的 AI Agent 工具。

构建端到端闭环的 AI 能力与 Agent 工具

当我们的原型可以实现代码的转换之后，我们就可以尝试构建端到端的 AI 能力。即在转完码之后，自动化地进行测试、修复等工作。如下是一个示例的工作流：

• 自动启动应用（Spring 应用 mvn spring-boot:run）
• 获取出错信息（过滤无关的内容）
• 自动调用 AI Service 修复
  • 分析出错文件
  • 修复出错文件

只需要基于此编写，我们就可以让 AI 工具实现 AI 的修复与迁移支持。当我们有了足够的尝试和经验之后，我们就可以将其转化为 AI Agent 工具。 如下是一个示例的提示词：

我正在编写一个自动化的 xx 工具，采用“两阶段 AI 调用模式”：

- 第一阶段：根据错误信息生成工具调用，以决定需要读取哪些文件。
- 第二阶段：根据读取的文件内容和错误信息，生成实际的修复代码。
    - 工具包括：`read-file`、`write-file`、`str-replace` 和 `list-dir`

请参考你所使用的工具（GitHub Copilot/Cursor 或 Windsurf），实现这个 AI Agent。目前只需要代码，不用进行任何修改。

你就可以基于此来构建出一个 AI Agent 工具。它可以自动化地进行代码的迁移、修复等工作。

小结

本文深入探讨了如何利用生成式 AI，特别是通过构建自动化的 AI Agent，将传统上复杂、割裂的遗留系统现代化改造，转变为一个高效、智能的协同工作流。我们告别了纯粹手动的"小作坊"模式，迎来了一种" Vibe Coding"的全新范式。

最令人兴奋的是，这个过程本身就体现了一种AI 自举（AI Bootstrapping）的理念：我们使用 AI 来构建 AI 工具，让 AI 生成迁移规则、生成测试代码、甚至生成整个 AI Agent 的架构。这种"用 AI 来构建更强大的 AI 工具" 的方式，不仅提升了工具的智能化程度，更重要的是创造了一个持续学习和自我完善的闭环。

核心方法论是，将经典的现代化策略（如 6R 模型、绞杀榕模式）与 AI 的能力深度融合。AI 在其中扮演两大关键角色：

1. 加速理解与分析：通过构建语义代码图谱、逆向工程还原业务逻辑等方式，AI 帮助我们前所未有地快速洞察旧系统的架构、依赖和业务内涵，即便是在文档缺失的情况下。
2. 加速转换与重建：结合 AST（抽象语法树）工具的精确性与 LLM 的灵活性，我们可以自动化地生成迁移规则、转换代码，甚至在新的架构上进行前向设计，极大地提升了迁移效率。

最终，我们的目标是打造一个闭环的 AI 迁移 Agent。它不仅能执行代码转换，还能自动测试、捕捉错误、并调用 AI 服务进行自我修复，从而实现从分析、迁移到验证的端到端自动化。这种"AI 生成 AI 迁移工具" 的自举模式，让我们看到了一个更加智能化的未来：工具不再是静态的，而是能够根据实际场景持续演进和优化的智能体。

• 生成式 AI 辅助遗留系统改造：工具设计篇
• 场景驱动的智能 IDE：以遗留系统的 AI 体验设计为例
• 遗留系统现代化工具集：Modernizing