遗留代码库的 AI 渐进式现代化工具

信号2点名了核心人群："维护大型遗留代码库的团队"。这类团队面临的问题是代码量巨大（信号案例为 "40,000 lines of Fortran"）、语言老旧、没人敢动也不敢一次性重写。同时信号1和信号3显示，前沿模型已能处理这类复杂长任务（谷歌内部 Argon 已自主完成 "3.2万行SIMD代码替换"），但这些能力目前只在大公司内部或模型厂商的演示中存在，普通团队缺少一个可直接上手的工具把模型能力落到自己的遗留仓库上。

维护大型遗留代码库的中大型企业工程团队（金融、制造、政府、科研机构中运行 Fortran/COBOL/老旧 Java 系统的团队）。市场规模定性判断可观——存量遗留系统遍布各行业，但信号中未出现具体规模数据。

• 遗留代码理解：解析老旧语言（Fortran、COBOL 等）与大型仓库，生成模块地图、依赖关系和风险注释
• 渐进式重构 Agent：按模块生成现代化改造方案，分步提交可 review 的 diff，而非一次性重写
• 验证闭环：自动运行既有测试与构建，改造前后性能对比（参考信号3中"运行速度达2.7倍"式的可量化验证）
• 长任务编排：利用百万 Token 输出上限的模型能力，让 Agent 连续处理跨文件、跨天的改造任务
• 报告与审计：输出每一步改动的原因和影响范围，供团队负责人签字确认

三条信号都指向同一时间窗口：2026年9-10月，前沿模型刚刚具备自主完成复杂长周期工程任务的能力——Gemini 4 Argon 结合"百万Token输出上限"在谷歌内部落地（信号3），Mistral 公布 Fortran 遗留代码改造实践（信号2），OpenAI 将前沿模型开放给 Airbnb 等工程团队（信号1）。能力刚出现、还没有被产品化成通用工具，是小团队切入的时机。

做什么：- 接入仓库（Git）后自动生成代码库结构地图：模块、依赖、死代码、技术债热点- 针对单个可验证模块（有测试覆盖）生成现代化重构方案，含差异解释和风险标注- 在沙箱中跑通测试后提 PR，人工审核合并不做什么：- 不做全仓库一次性自动重写- 不做无测试模块的自动合入- 不做跨语言大规模移植（如 Fortran→现代语言，仅提供评估报告）

• 平台依赖：核心能力完全来自 OpenAI / Mistral / Google 的模型，模型厂商随时可能直接推出同款 Agent 产品（信号1、3本身就是厂商在做的案例）- 技术风险：遗留系统往往缺少测试，Agent 改错难以发现，需要自建验证与回滚机制- 信任门槛：企业把核心代码交给第三方工具，采购和安全审批周期长- 证据薄弱：现有信号均为厂商能力宣传，尚无真实终端用户的付费痛点证据