Anthropic 详解 COBOL 改造方案：用 Claude Code 啃下遗留系统硬骨头

你去 ATM 机取现金，或者查一下银行卡余额，背后大概率跑着一段写于半个世纪前的代码。

在美国，大约 95% 的 ATM 交易依然依赖 COBOL 语言。每天有数千亿行 COBOL 代码在金融、民航和政府核心系统里悄悄运转。这门语言诞生的时候，美国总统还是尼克松。当年写下这批系统的工程师早就退休了，很多业务逻辑甚至只存在于代码本身，连文档都没留下。全美只有少数几所大学还在教它，会看懂它的人每过一个季度都在减少。

Anthropic 发文介绍了如何用旗下智能体编码工具 Claude Code 解决这个老大难问题。他们的核心主张很明确：靠 AI 把以往按年计算的现代化迁移周期，直接压缩到几个季度。

以前请咨询公司，现在让 AI 扫雷

给 COBOL 做现代化改造，业内通常有四条路：换地方跑的再托管、只修结构不改行为的重构、直接买商业套件替换，以及彻底用 Java 或 Python 重写。

重写的回报最高，但过去谁碰谁倒霉。原因不是用新语言写代码有多难，而是你根本不知道旧代码里藏了什么逻辑。过去企业得雇大批顾问，花上几年时间一行行去读、去画图，成本动辄几千万美元。

Anthropic 认为 Claude Code 能打掉这块最贵的成本。它会先通读整个代码库，找出程序的入口和执行路径。更关键的是，它不仅能画出常规的函数调用图，还能理清通过共享文件、数据库和全局状态连接起来的隐式依赖。

这些隐式依赖，往往就是当年系统迁移一上线就崩溃的罪魁祸首。AI 顺手还能把没人记得的业务流程画成图、写成文档，挑出哪些模块耦合度高、迁移风险大，哪些模块彼此独立、可以先拿来练手。

渐进式替换，别搞休克疗法

理清脉络之后，实际操作依然需要人类工程师掌舵。系统符合不符合监管法规、业务优先级怎么排、组织能承担多大风险，这些决策依然得由人来做。

具体的落地被拆得很细。人类定下目标架构和接口规范，AI 则先写出一套功能测试，验证新代码跑出来的结果是不是和老 COBOL 完全一模一样。

然后是一个模块一个模块改。AI 把老逻辑翻译成现代语言，给暂时不能动的老模块套上 API 包装层，搭建脚手架让新旧两套系统并行跑一段时间。测通一个模块，再推进下一个，避免了过去那种改动几个月、上线失败只能全盘回退的噩梦。

为什么重要

我们认为，Anthropic 把 Claude Code 推向 COBOL，是切入企业级服务非常精明的一步棋。

大部分生成式 AI 还在写前端界面、写 Python 脚本里卷性价比，但那里的付费意愿远不如大型金融机构和政府部门。COBOL 系统是典型的不敢动、修不起、又必须解决的资产。Anthropic 没有画大饼说让 AI 全自动一键重写，而是老老实实去啃最脏最累的逆向工程和依赖梳理，这极大地降低了企业的心理防线。

对企业和开发者来说，如果你手头有几十年前的古董系统，现在确实值得用小模块试试水。过去请咨询顾问动辄按年计费，门槛高得吓人，现在至少可以用极低的成本先摸清老系统的底细。

不过隐患也在这里。COBOL 的很多边缘情况极其隐晦，比如特定的十进制精度处理、极罕见的业务规则溢出。如果企业完全相信 AI 给出的功能测试，而缺少资深老工程师做人工验证，一旦在金融交易主干网上翻车，代价是承受不起的。看起来，AI 能帮你把地图画得清清楚楚，但真正决定怎么踩油门的，还得是那个懂业务的人。