一句话看懂：Anthropic 内部团队借助 Claude 模型（Fable5、Opus4.8）及动态工作流，在两周内完成 Bun 项目从 Zig 到 Rust 的百万行代码迁移，并在一个周末将 Python 代码库转为 16.5 万行 TypeScript。这不再是一个未来设想，而是一个已经发生、可复现的工程实践。
事件核心：发生了什么
7 月 16 日，Anthropic 披露其内部开发者利用 Claude 模型完成了两项大规模代码迁移：Bun 联合创始人 Jarred Sumner 使用 Claude Code 在不到两周内将整个 Bun 项目从 Zig 迁移至 Rust，生成了约 100 万行代码，CI 测试链 100% 通过后合并至主分支，合并后出现 19 个回归问题，目前已全部修复，Rust 版本于 6 月发布。另一边，Anthropic Labs 联合负责人 Mike Krieger 将一个 Python 代码库迁移为 16.5 万行 TypeScript，耗时一个周末，包含数百个代理、八个门控阶段、三轮对抗性审查，最后通过逐行比较每个命令输出的奇偶校验来确保与原 Python 版本一致。
整个迁移过程消耗了 59 亿未缓存输入 token 和 6.9 亿输出 token，按 API 定价折合约 16.5 万美元。Mike 的项目则消耗了 2700 万 token。迁移成本不再是四年前动辄三四百万美元和数年的工程资源，而是压缩到数万美元级别。
为什么重要
这一事件从根本上改变了大型代码迁移的经济模型和可行性。过去，替换编程语言被视为相当于下达“两年军令状”的行为——工程师会因代码库停滞而摇头，预算委员会会因高昂成本而畏惧。Anthropic 提炼出的核心理念是：“你修复的不是代码，而是产生代码的过程（循环）。” 大规模代码迁移天然适合 LLM：工作可并行（数百个独立文件可同时处理）、旧代码本身就是最佳规范文档、代码库自带的测试套件成为天然的裁判系统。验证足够客观时，模型可以数日无监督地自动迭代——编译器或测试失败时，下一个任务自动排队。这解决了长期困扰工程团队的核心矛盾：维护两套代码数年、最终仅达到 90% 等价的风险，比保持原状更令人头疼。
对用户/开发者/创作者的影响
对于开发者，这意味着过去被视为“高度危险”“极其昂贵”的底层架构迁移任务变得可以按需进行。企业不再需要冻结路线图、投入数个季度资源来启动语言迁移。对于 Bun 的终端用户，纯 Rust 版本意味着更小、更快、更安全的运行时和编译工具链。对于使用 Claude Code 等 AI 工具的开发者，这一案例展示了 AI 作为“翻译代理+自测裁判”的实际效用——用户可以通过合理设计提示词和工作流，让模型自主完成数万到数十万行代码的跨语言转换，而无需人工逐行审查。对于技术创业者，这一方法大大降低了“技术债务清算”的门槛：项目初期因团队规模或时间限制做出的技术选型（如选择 Zig 以求 C 级性能和极简性），可以在项目成长后以更低成本、更短周期完成重构。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
- 模型能力边界测试：目前尚不清楚 Claude 是否也能处理更复杂的领域特异性语言迁移（如 COBOL 到 Java，或专有脚本语言到现代生态），以及系统级代码中底层硬件抽象的精确保留。后续 Anthropic 或其他团队可能会公开更多失败案例和边界条件。
- 生态工具和定价模式变化：Claude Code 能否成为标准化的代码迁移平台？模型使用成本（18 万美元级别）未来是否会因更高效的小模型或缓存优化而进一步下降，这决定了迁移实践是否适用于中型或小型项目。
- 竞品跟进与行业标准化：OpenAI、Google 等是否会在各自的代码助手（如 Codex、Gemini Code Assist）中推出类似的大规模迁移工作流？Anthropic 的这一方法可能推动代码迁移从“一次性豪赌”转变为“季度性工程优化手段”。
来源：AIbase
