一位前端开发者在技术社区发起讨论，深刻揭示了当前 AI 编程工具在处理“遗留代码重构”任务时的显著局限性。尽管大模型在从零开始新建页面时表现出色，但在面对缺乏规范、结构混乱的现有项目（俗称“屎山代码”）时，其生成的 UI 样式往往质量堪忧。具体问题表现为：AI 生成的样式代码存在大量冗余和堆砌，导致新旧样式冲突严重；AI 难以理解复杂的业务逻辑与 DOM 结构的绑定关系，无法有效复用或清理旧的 Class 和 ID，造成改版不彻底；页面间距、配色等微观细节缺乏协调性。该开发者尝试了详尽提示词、上传参考设计图以及自定义 Skill 规则等多种优化手段，但效果提升依然有限。这一现象表明，虽然 AI 编程工具（如 Cursor、Claude 等）发展迅猛，但在处理具有深厚历史包袱和复杂上下文的存量系统维护时，其理解能力和执行逻辑仍存在巨大短板，业界亟需探索专门针对遗留系统重构的成熟工作流或 Agent 解决方案。
事件分析
该案例深刻反映了当前 AI 编程技术在实际工程落地中遭遇的“存量系统”挑战。现有的生成式 AI 模型主要基于上下文窗口进行概率预测，对于缺乏清晰文档且耦合度高的遗留代码，难以建立起完整的语义依赖树，因此无法像人类工程师那样进行全局性的“破旧立新”式重构。AI 倾向于增量式叠加输出，这在视觉样式中表现为样式冲突和布局崩坏，直接暴露了模型在处理全局约束和模块解耦上的技术短板。从产业趋势看，这推动了对更高级“AI Agent”或专用重构工具的需求，即不仅会生成代码，还需具备代码深度理解、依赖分析和自动化测试修复能力。能否解决“遗留代码重构”这一顽疾，将成为衡量 AI 编程工具能否真正大规模进入企业级核心开发流程的关键分水岭。
核心观点：AI 编程工具遭遇“遗留代码墙”：从零生成易，系统重构难，解决存量系统维护难题需突破上下文理解与语义映射的瓶颈。
原文链接：Linux.do
