把一门编程语言整体换掉，放在过去基本等于给公司立一个两年起步的军令状。工程师谈之色变，预算委员会闻风丧胆，代码库年复一年卡在原地。Anthropic在7月16日发布了一篇文章，直接把这笔旧账翻了篇。
两个案例，把想象钉成了现实
第一个案例来自Bun联合创始人Jarred Sumner。他用Claude Code把整个Bun从Zig迁移到了Rust，不到两周产出一百万行代码。合并进主干前，整条CI测试链100%通过；合并后浮出19个回归，如今已全部修复。Rust版本6月已随Claude Code发布。
这次迁移消耗59亿个未缓存输入token和6.9亿个输出token，按API定价约合16.5万美元。听着不便宜，但对比过去预估的4年、300万美元成本，这笔账算得过来。
第二个案例来自Anthropic Labs联合负责人Mike Krieger——Instagram联合创始人。他用一个周末把一套Python代码库迁移成了16.5万行TypeScript，主体部分消耗约2700万token。数百个代理、8道阶段闸门、3轮对抗审查，最后用奇偶校验把每条命令的输出和Python原版逐字比对。
为什么非迁不可？他团队的内部工具以单个二进制文件交付用户，用Python工具链每个平台编译要8分钟，整个构建矩阵一轮等30分钟。迁完之后，同样编译只要2秒，二进制启动速度快了6倍，顺手淘汰了一条独立的部署管线。
大规模代码迁移，恰好是AI模型的天选场景
活儿天然并行——成百上千的独立文件可以同时开工，谁也不用等谁。旧代码本身就是给模型最好的规格说明书。更妙的是自带裁判——大型代码库里往往有一套测试套件，代理能用它给自己打分。模型可以盯着客观结果死磕好几天，不需要人坐在旁边判质量。编译器或测试一挂，下一个要修的活儿自动排上。
Anthropic把这套打法提炼成六步框架：
第一步，搭好裁判、写规则手册、画依赖图、列缺口清单。规则手册把每个决策写一次，依赖图梳理工作顺序。
第二步，拿一次小规模“试航”压测规则，把要命的问题在铺开到上千个文件之前先揪出来。
第三步，全量翻译。
第四步，跑“实现—评审—修复”的多智能体循环。
第五步，编译、运行。
第六步，逐一比对行为。
整个过程里，规则从不靠手工打补丁——评审员每揪出一个错误，就往规则手册里加一句话，再把受影响的那批文件重新生成一遍。
核心洞察只有一句话：你修的不是代码，而是生产代码的那个流程本身
过去工程师并行维护两套代码好几年，最后只换来90%的等价，比一开始就别动还头疼。现在最坏的结果无非是删掉分支从头再来。一年的内存bug补丁记录，或者一个长期的性能瓶颈，如今已经足以成为启动迁移的理由。
Anthropic最后给了一个建议：挑一个你已经忍了很久的代码库，去问问Claude它的迁移流程长什么样。四年前这句话是句玩笑。今天，它是一张真能兑现的支票。
