长期以来，软件行业流传着一句“至理名言”：“不要重写代码。” 这句格言背后隐藏着严酷的现实：重写一个成熟的软件系统，往往意味着高昂的成本、巨大的风险以及漫长的时间投入——从业务逻辑的重新梳理，到成千上万行代码的逐行移植与调试，企业为此可能花费数百万美元，并承担原有系统中断的多重风险。然而，随着生成式人工智能（AI）的崛起，这一经济学法则正在被彻底改写。
重写的“不可能三角”正在松动
传统软件重写面临一个“不可能三角”：速度快、成本低、质量高三者难以兼得。大型企业为了将陈旧的COBOL（通用商业语言）系统迁移到现代Java或Python平台，通常需要组建数十人的团队，耗时一年甚至更久。据Gartner（高德纳咨询公司）估算，一个中等规模的遗留系统迁移项目，平均成本在500万至1000万美元之间，且失败率高达30%以上。
AI的介入，使这个三角关系开始松动。以GitHub Copilot、Amazon CodeWhisperer等AI编程助手为代表的大语言模型，已经能够理解并生成高质量的代码片段。更为关键的是，最新的技术进步，如Anthropic的Claude Sonnet 4和Google的Gemini 2.5 Pro，已经能够处理多达百万级的token上下文窗口。这意味着AI可以一次性“阅读”整个代码库的源码、注释甚至历史提交记录，从而理解系统全局架构，而不仅仅是片段式地生成代码。
从“人工翻译”到“智能迁移”
“过去，我们做代码迁移就像是一个翻译团队，逐行将一种语言‘翻译’成另一种语言。”硅谷一位资深软件架构师向记者表示，“但AI现在能做到的是，理解代码背后的意图、业务规则，甚至自动发现隐藏的边界条件。”
一个典型的例子是金融服务公司对大型机COBOL系统的重写。这些系统经常运行着几十年前写下的、无人能完全解释的复杂逻辑。传统方法需要资深工程师花数月逆向工程，再逐行翻译。如今，借助AI，开发团队可以将整个代码库输入到具有超长上下文能力的模型中，AI不仅生成对应的现代语言代码，还能自动生成单元测试、注释和文档。据初步测试，迁移速度提升了3到5倍，人力成本降低约60%。
更值得关注的是，AI在发现“遗产病”方面展现出独特优势。老旧代码中常含有死代码（从未被调用的函数）、硬编码的密钥、过时的API调用等安全隐患。AI可以自动扫描整个代码库，标记这些问题，并建议或直接生成修复方案。这相当于在重写的同时，为系统做了一次全面的“体检”和“化疗”。
经济学模型的根本变化
麦肯锡（McKinsey）最新一份研究指出，AI将软件重写的单位经济成本拉低了40%至70%。更重要的是，它改变了风险模型。在传统模式下，重写项目之所以失败率高，很大程度源于人工对系统理解的偏差。而AI能够保持更高的一致性——只要提示（prompt）得当，它在生成同一类业务逻辑时不会出现人为的“忘记某个分支”或“误解某个业务规则”的情况。
当然，这并不意味着AI可以完全取代人类。专家强调，AI生成的代码仍需要架构师进行审阅和集成，尤其是在处理跨模块的同步、事务一致性等复杂场景时。但AI已经将人类从繁重的“代码翻译”工作中解放出来，让他们更多地专注于架构设计、业务创新和系统优化。
新的边界与挑战
技术进步也带来了新的挑战。首先是“幻觉”问题：AI在生成代码时可能会创造出不存在的API或函数调用，导致编译错误。对此，主流工具都在引入运行时验证和沙盒测试机制。其次是安全风险：如果AI训练数据中包含有缺陷的代码，输出的安全性将存疑。OpenAI、微软等公司正在构建安全过滤层，确保生成代码符合OWASP（开放Web应用安全项目）等安全标准。
此外，高昂的API调用成本也是现实问题。处理一个百万级token的代码库，单次推理成本可能在数十美元。企业需要评估“AI迁移”与“传统迁移”的总拥有成本（TCO）。不过，随着模型效率提升和竞争加剧，这一成本正在快速下降。
结语
“不要重写”的旧规则正在被挑战。AI不仅让代码重写变得更快、更便宜，更重要的是，它让企业敢于重新审视那些被“锁定”在旧技术栈中的核心资产。当重写的经济账从“千万级投入、三年回报”变为“百万级投入、半年见效”，更多的企业将选择拥抱现代架构，释放沉睡的数据与逻辑价值。我们正在见证软件工程领域一次深刻的经济学范式转移。