60 万行巨石应用 AI 重构的可验证交付工程｜QCon上海

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！ 2026 年 QCon 全球软件开发大会大会 · 上海站 "将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。 在这一背景下， 2026 年 QCon 全球软件开发大会大会 · 上海站 "正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。 蚂蚁集团 & 研发工程师蒋宇已确认出席 “ Vibe Coding 时代的新质量债 "” 专题，并发表题为《 60 万行巨石应用 AI 重构的可验证交付工程 "》的主题分享。本次演讲源于支付宝生活缴费一个包含约 60 万行 Java 代码、600 多个接口的核心在线系统跨语言重构实践。系统包含复杂的业务分支、机构差异配置、分布式调用链和外部依赖。传统依靠代码评审、补充用例和上线观察的交付方式，能够发现局部实现问题，却难以证明新系统在预期业务边界内保持了老系统的关键行为。 为此，蒋宇将重构目标从“迁移代码”转变为“迁移行为”，建立两个相互校验的 Loop：Loop 1 从老系统提取业务行为，通过 PERS 建模、Case-Forge 路径压缩和人机协同完成场景生成；Loop 2 使用 Bubble 在新系统回放相同场景，验证实际执行路径，判定新老系统的行为差异，并结合真实流量回放为分阶段切流提供依据。本次演讲重点剖析两个工程问题：一是如何从复杂分支中提取规模可控但不失真的行为集合；二是如何识别 AI 生成用例中的路径偏移与假覆盖，并将差分结果转化为可发布、可观测、可回退的工程决策。 蒋宇，2021年加入支付宝，现任支付宝数字民生技术研发工程师，长期深耕生活缴费领域，参与复杂高并发生产系统的架构演进与工程建设。近年来聚焦 AI原生软件工程，致力于探索 AI 时代大规模遗留系统的重构方法与交付体系，重点研究如何通过行为建模、场景生成、差分验真与流量回放，让AI生成代码从"能够生成"走向"可理解、可审查、可验证、可发布"，推动AI重构能力在真实业务中的工程化落地。他在本次会议的详细演讲内容如下： 演讲提纲1. 现象：代码完成了，为什么重构还没有完成大规模跨语言重构面对的不是简单的语法转换，而是散落在代码分支、机构配置和外部交互中的业务行为迁移代码评审通过、生成用例 PASS、覆盖率上升，都只能说明部分实现得到检查，不能证明目标业务分支真正执行重构交付最终需要回答三个问题：老系统有哪些关键行为需要迁移；新系统是否真实复现了这些行为；发现差异后，能否据此作出发布决策2. 思路：把跨语言重构转化为行为迁移不要求新旧代码结构逐行对应，而是在明确的建模与可观察边界内，验证业务终点、核心返回、副作用和关键交互是否等价建立两个相互校验的 Loop：Loop 1 回到老系统，确定“需要迁移什么行为”；Loop 2 进入新系统，验证“这些行为是否被真实复现”将场景生成与执行验真分离。AI 可以参与理解和生成，但不能同时负责生成目标、修改数据并证明目标已经完成重构交付物不再只有新代码，还包括行为模型、可执行场景、实际路径证据、差异结论以及发布与回退依据3. 方法：双 Loop 如何贯穿重构与上线Loop 1 从老系统识别业务终点，使用 PERS 表达行为，通过路径压缩控制组合规模，再由 AI 补全业务数据、机构配置和 Mock 语义Loop 2 在相同输入和依赖响应约束下回放新系统，验证实际执行路径，并比较新老系统的业务结果和外部影响两个 Loop 通过行为场景连接。每个场景都需要具备目标行为、输入约束、实际路径证据和差分结论，才能进入后续流量验证整体过程形成“老系统行为提取—新系统回放验真—差异驱动修复—真实流量验证—分阶段切流”的交付链路4. 技术深挖一：如何得到规模可控但不失真的行为集合PERS 将前置条件、触发事件、业务结果和副作用组织为独立于编程语言的行为描述，使老系统中的业务知识能够进入新系统验证在复杂接口中，请求参数、机构配置和外部返回会共同影响执行路径。直接组合所有因素会产生场景爆炸，简单保留高频或 Top-N 路径又可能遗漏低频失败终点Case-Forge 首先按照业务终点组织候选路径，复用共享分支条件，对只影响局部结果的独立因素进行增量展开，并剪除约束冲突或不可达的组合路径压缩的目标不是得到最少的用例，而是在执行成本可控的前提下，为每类关键业务终点保留具有代表性的可执行路径确定性分析负责提供路径骨架和条件约束，AI 负责将抽象条件展开为具体的业务数据、机构配置和 Mock，人负责确认高风险终点及语义边界以一个同时受请求参数、机构配置和外部返回影响的接口为例，展示如何从大量路径组合中识别业务终点、压缩候选路径，并生成人可以审查、机器可以执行的场景5. 技术深挖二：如何识别假覆盖并完成差分验真实践中曾出现这样的场景：AI 生成的用例描述合理，最终断言也能 PASS，但实际执行在前置分支提前结束，目标调用和目标业务终点并未发生进一步分析发现，问题不在断言本身，而在输入、配置和 Mock 的组合没有满足目标路径约束。AI 完成了一个可以通过的用例，却没有完成预期行为的覆盖因此，有效覆盖不能只检查最终断言，还需要同时确认目标终点是否到达、关键条件是否满足、必要调用是否发生、副作用是否符合预期只有实际运行证据与目标路径一致，场景才计入有效覆盖。通过这一规则，将“用例执行成功”与“目标行为真实发生”区分开来Bubble 在相同请求和依赖响应约束下分别回放新旧系统，将行为一致性转化为一组可判定的等价约束：业务终点一致、核心返回语义一致、关键副作用一致、重要 IO 交互可解释差异并不直接等于重构错误。空串与 null、时间戳等非确定字段需要归一化；老系统已有行为和本次主动变更需要单独确认；无法归因的差异则阻断下一阶段离线场景验真通过后，再结合录制流量回放验证真实请求分布，并通过白名单、小流量和分阶段切流逐步扩大范围。每个阶段都需要具备明确的观测指标和回退路径6. 经验：最终沉淀下来的工程判断用例 PASS 不等于目标行为被覆盖。覆盖必须建立在实际路径证据上，而不能仅依赖用例数量、断言结果或覆盖率AI 可以参与场景生成，但不能独立证明自己生成的场景正确。目标定义、场景生成和执行验真需要形成相互独立的约束关系老