Anthropic 詳解 COBOL 改造方案：用 Claude Code 啃下遺留系統硬骨頭

你去 ATM 機取現金，或者查一下銀行卡餘額，背後大機率跑著一段寫於半個世紀前的程式碼。

在美國，大約 95% 的 ATM 交易依然依賴 COBOL 語言。每天有數千億行 COBOL 程式碼在金融、民航和政府核心系統裡悄悄運轉。這門語言誕生的時候，美國總統還是尼克松。當年寫下這批系統的工程師早就退休了，很多業務邏輯甚至只存在於程式碼本身，連文件都沒留下。全美只有少數幾所大學還在教它，會看懂它的人每過一個季度都在減少。

Anthropic 發文介紹瞭如何用旗下智慧體編碼工具 Claude Code 解決這個老大難問題。他們的核心主張很明確：靠 AI 把以往按年計算的現代化遷移週期，直接壓縮到幾個季度。

以前請諮詢公司，現在讓 AI 掃雷

給 COBOL 做現代化改造，業內通常有四條路：換地方跑的再託管、只修結構不改行為的重構、直接買商業套件替換，以及徹底用 Java 或 Python 重寫。

重寫的回報最高，但過去誰碰誰倒霉。原因不是用新語言寫程式碼有多難，而是你根本不知道舊程式碼裡藏了什麼邏輯。過去企業得僱大批顧問，花上幾年時間一行行去讀、去畫圖，成本動輒幾千萬美元。

Anthropic 認為 Claude Code 能打掉這塊最貴的成本。它會先通讀整個程式碼庫，找出程式的入口和執行路徑。更關鍵的是，它不僅能畫出常規的函式呼叫圖，還能理清通過共享檔案、資料庫和全域性狀態連線起來的隱式依賴。

這些隱式依賴，往往就是當年系統遷移一上線就崩潰的罪魁禍首。AI 順手還能把沒人記得的業務流程畫成圖、寫成文件，挑出哪些模組耦合度高、遷移風險大，哪些模組彼此獨立、可以先拿來練手。

漸進式替換，別搞休克療法

理清脈絡之後，實際操作依然需要人類工程師掌舵。系統符合不符合監管法規、業務優先順序怎麼排、組織能承擔多大風險，這些決策依然得由人來做。

具體的落地被拆得很細。人類定下目標架構和介面規範，AI 則先寫出一套功能測試，驗證新程式碼跑出來的結果是不是和老 COBOL 完全一模一樣。

然後是一個模組一個模組改。AI 把老邏輯翻譯成現代語言，給暫時不能動的老模組套上 API 包裝層，搭建腳手架讓新舊兩套系統並行跑一段時間。測通一個模組，再推進下一個，避免了過去那種改動幾個月、上線失敗只能全盤迴退的噩夢。

為什麼重要

我們認為，Anthropic 把 Claude Code 推向 COBOL，是切入企業級服務非常精明的一步棋。

大部分生成式 AI 還在寫前端介面、寫 Python 腳本里卷價效比，但那裡的付費意願遠不如大型金融機構和政府部門。COBOL 系統是典型的不敢動、修不起、又必須解決的資產。Anthropic 沒有畫大餅說讓 AI 全自動一鍵重寫，而是老老實實去啃最髒最累的逆向工程和依賴梳理，這極大地降低了企業的心理防線。

對企業和開發者來說，如果你手頭有幾十年前的古董系統，現在確實值得用小模組試試水。過去請諮詢顧問動輒按年計費，門檻高得嚇人，現在至少可以用極低的成本先摸清老系統的底細。

不過隱患也在這裡。COBOL 的很多邊緣情況極其隱晦，比如特定的十進位制精度處理、極罕見的業務規則溢位。如果企業完全相信 AI 給出的功能測試，而缺少資深老工程師做人工驗證，一旦在金融交易主幹網上翻車，代價是承受不起的。看起來，AI 能幫你把地圖畫得清清楚楚，但真正決定怎麼踩油門的，還得是那個懂業務的人。