现在的各种AI tool能拯救历史级屎山代码吗？
现在的AI工具能否拯救历史级“屎山代码”的讨论揭示了技术界对AI代码生成能力的深刻怀疑与期待。核心观点集中在AI重构的可靠性、上下文窗口的限制、以及“屎山”的复杂性。
第一行必须是简洁的主题概述 AI工具重构600万行“屎山代码”的可能性极低，主要瓶颈在于缺乏完善的测试覆盖、AI生成代码的质量（被认为是“屎”的放大器），以及系统复杂性超出了当前AI的理解和安全验证能力。
1. 关键信息
- 重构难度极高： 帖子认为重构比规划更难，尤其缺乏完整的测试套件（Test Suite）来覆盖所有边缘情况，AI重构极易引入难以察觉的Bug。
- AI生成质量的担忧： 多人指出AI（如GPT/Claude）本身可能在生成新的“屎山”，即“trained on shit code, write shit code”的担忧，或只是“巨型抄答案机器”。
- 上下文限制： 600万行代码的规模远超现有模型的上下文窗口，需要复杂的多级Agent分片架构来实现，增加了实现难度和成本。
- “能跑就行”哲学： 许多人认同对于遗留系统，只要不坏就不修（If it ain’t broke, don’t fix it），重构可能带来的风险和成本高于收益。
- AI的实际价值： AI在代码解释理解（而非大规模重写）和Debug方面被认为更可行。
2. 羊毛/优惠信息
无
3. 最新动态
- 有用户提到AI发展迅速，未来可能通过快速重写（而非重构）来替代旧系统，并分享了AI Agent自主开发浏览器（含渲染器、JS VM）的案例。
- 有用户反馈，现在使用AI写代码的模式已从复杂的提示词（Prompt）转向让AI Agent自主运行数小时解决任务，但Code Review和集成测试的必要性依然存在。
4. 争议或不同意见
- 重写 vs. 重构： 有人认为直接重写成本可能更低，但多数人强调没有测试保障的重写同样不靠谱。
- AI的地位： 有人将AI视为“大号编译器”，也有人认为其能力仅相当于“Fresh Grad”水平，难以驾驭复杂遗留系统。
5. 行动建议
- 对于关键系统，在AI重构的代码投入生产环境前，必须有极高的端到端（E2E）测试覆盖率来验证一致性。
- 当前AI更适合用于代码的理解、解释和辅助调试，而不是大规模、高风险的自动化重构。