曾需要4年、300万美元的代码迁移，现在两周、16万美元搞定
7月16日，Anthropic 发布了一篇不起眼的博客，标题平平无奇——"How Anthropic runs large-scale code migrations with Claude Code"。但内容却炸翻了开发者社区。
故事的主角有两个。
第一个是 Bun 的创始人 Jarred Sumner。他一个人用一年时间，在奥克兰狭小的公寓里写出了比 Node.js 还快的 JavaScript 运行时 Bun。如今 Bun 的 CLI 月下载量突破 1000 万，甚至成了 Claude Code 底层的重度依赖。但当年押注 Zig 埋下的技术债，终于到了还的时候。
于是他干了件过去想都不敢想的事：用 Claude Code，把整个 Bun 从 Zig 迁移到内存更安全的 Rust。
不到两周，产出 100 万行代码。合并前，Bun 现有的全部测试用例在 CI 里 100% 通过。合后冒出 19 个回归，也全修完了。Rust 版 6 月就随 Claude Code 悄悄上线了。
这次迁移烧掉 59 亿输入 token、6.9 亿输出 token，按 API 定价算约 16.5 万美元。听着不便宜，但对比过去 4 年、300 万美元的老账本——这简直是白菜价。
第二个故事来自 Instagram 联合创始人 Mike Krieger。他用一个周末，把一套 Python 代码库迁成了 16.5 万行 TypeScript。数百个智能体、8 道关卡、3 轮对抗式评审、一遍一致性校验——把每条命令输出跟 Python 原版逐一比对，行为一变就当 bug 修掉。甚至让 Claude 自己设计了一套端到端测试，跑了四个通宵。
为什么非迁不可？他的团队用 Python 工具链，每个平台编译要 8 分钟，整个构建矩阵每次发布等半小时。迁完之后，编译只要 2 秒，二进制启动快了 6 倍，还顺手退役了一整条部署流水线。
两件事放在一起，指向同一个结论：代码迁移，从"不敢跨的天堑"变成了"一条等待被清空的进度条"。
不修代码，修复"产出代码的循环"
Anthropic 把这套打法的灵魂总结成一句话：不修代码，而要修那个产出代码的 loop。
大型迁移特别适合喂给 AI，原因很朴素：
- 活儿天然是并行的，几千个文件能同时开工；
- 旧代码本身就是最好的规范；
- 测试套件是现成的裁判；
- 编译或测试一失败，下一个待办项自己就冒出来。
模型可以对着这个"客观真理"死磕好几天，中间不需要人来仲裁。
于是 Anthropic 给出了一个可复用的六步框架：
Anthropic 六步迁移框架
第一步：搭好裁判
迁移前确保测试套件完整、可靠。测试是唯一客观的"过/不过"判断标准，没有它，AI 生成的代码就没有质量锚点。
第二步：写规则手册
定义迁移规则：目标语言风格、命名约定、错误处理模式、性能约束。规则不是一次写死的——评审员每揪出一个错，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。
第三步：画依赖图
理清模块间的依赖关系。迁移顺序很重要——底层依赖要先移，上层调用才能跟上。
第四步：列缺口清单
识别旧代码中哪些特性在新语言中没有直接对应。这部分需要人工判断，也是规则手册需要补充的地方。
第五步：小规模试航
拿一个中等规模的模块做试运行，压测规则体系。把要命的问题在铺开到上千个文件之前就揪出来。
第六步：全量翻译 + 多智能体循环
启动"实现—评审—修复"的多智能体循环。编译、运行、逐一比对行为。整个过程里，规则从不靠手工打补丁。
这意味着什么？
如果把这个六步框架放在更大的背景下来看，几个结构性变化正在发生：
1. 迁移成本从"线性"变成了"近常量"
过去，迁移 10 万行代码和迁移 100 万行代码，成本差距不是 10 倍而是更多——因为人脑处理的理解上下文有限。但 AI 的处理成本几乎与代码量成正比，且边际成本在快速下降。Bun 的案例说明，即便是百万行级别的迁移，也能在两周内完成。
2. "技术债"不再是债务，而是可对冲的风险
技术债的经典定义是"现在走得快，未来要还的债"。但过去的问题是，债主往往是创始人自己，还债意味着停下产品迭代。现在，技术债有了一个可量化的"对冲成本"——16.5 万美元或两周时间。这让初创公司可以在早期大胆选择"最快路径"，而不必担心未来的迁移成本。
3. 编程语言的选择逻辑将被重写
以前选语言是"选终身伴侣"——换了成本太高。以后选语言更像是"选项目工具"——如果生态变了、需求变了，迁移不再是天价项目。这可能会让更多项目选择"先跑起来再优化"的策略，而不是在架构阶段过度设计。
4. AI 编程的商业 ROI 第一次被量化
16.5 万美元 vs 300 万美元，2 周 vs 4 年。这是目前公开的最具说服力的 AI Coding ROI 案例。之前行业讨论 AI 编程时，更多是"体验好""效率高"这类定性描述。现在有了一个清晰的锚点：语言迁移场景下，AI 的成本是人工的 1/20，速度是 100 倍。
落到行动
Anthropic 在博客最后建议：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。
这不是一句玩笑。
对于开发者来说，有几个可以立刻做的事：
- 检查你的项目是否有"想迁但不敢迁"的模块——试试用 Claude Code 或类似工具做一次小规模试航；
- 建立完整的测试套件——这是 AI 迁移的前提条件，没有测试就没有质量锚点；
- 反思你的技术选型策略——如果迁移成本大幅下降，当前的架构决策是否需要调整。
四年前，"迁移"是一道开发者不敢跨的天堑。今天，它只是一条等待被清空的进度条。
问题不再是"能不能迁"，而是"你打算什么时候开始"。