最近《财富》披露思科一个极具话题性的 AI 研发试点：27 岁工程师 Padmanabhan Krishnamurthy（Paddy）带领两人小团队，拿到无上限 AI Token 预算，计划 24 个月重构 98% 思科遗留代码，迁移至内存安全语言。思科总裁 Jeetu Patel 原话："I gave him unlimited tokens because he's refactoring code. Go wild."
Paddy 是 EzDubs 初创创始人，公司被思科收购后加入团队。项目先设置 4 周 POC 验证重构方案可靠性，验证通过后再规模化落地。思科数十年积累海量老旧代码，普遍存在文档缺失、安全负债高的问题，传统重构模式需要投入庞大团队、周期漫长，本次属于组织层面一次高风险 AI 试点。
很多人目光聚焦在 “无限 Token”，但它并非不计成本随意调用，本质是算力配额权限松绑：不再对模型调用做单次审批，Token 从计费消费品，升级为企业内部研发基础设施。这个信号对 B 端 AI API 行业非常关键：遗留系统现代化，商业化价值甚至高于从零开发新业务。遗留改造痛点清晰、ROI 可量化、付费意愿更强，很可能成为大模型企业级落地的优质切入点。
AI 适配遗留代码改造的场景很明确：批量代码转译、逆向梳理无文档逻辑、自动生成测试用例、补全注释与依赖图谱。小团队优先跑通标准化重构 SOP，链路稳定后再向全公司推广，相比传统架构委员会层层评审，试错成本更低。这类工作以理解、转译、生成测试的重复性工作为主，AI 具备结构性优势，但边界同样明显：隐式业务规则、硬件耦合逻辑、长期迭代沉淀的边界 Case，很多信息不会写在代码字面，模型改写后极易出现行为漂移，很难肉眼排查。
项目目标激进，背后的工程隐患也是所有 AI 重构祖传代码的共性痛点。 第一是幻觉风险。遗留代码藏着大量隐性逻辑，模型改写容易出现业务行为不一致，人工审查很难快速识别。 第二，Token 成本只是小头。真正的成本重心在回归测试、兼容性校验、合规审计、灰度上线验证。AI 输出代码不等于可上线代码，差分比对、行为校验、回滚机制组成的验证闭环，才是落地核心。无限 Token 只是降低试错门槛，无法消除重构本身风险。 第三，98% 是极高目标。大型基础设施代码库中，总有少量深度耦合底层逻辑难以自动化迁移，强行全量重构会放大故障爆炸半径。更务实的路线是高比例自动化迁移 + 小范围人工兜底 + 灰度发布，而非追求全覆盖。
这件事更值得开发者关注的，是组织范式的变化。巨头愿意把高杠杆、高风险的 AI 攻坚项目，交给收购进来的年轻创业者，而非内部资深架构团队主导。核心不是 AI 替代工程师，而是借助 AI 放大少数工程师的改造效率，沉淀一套可复制的遗留代码现代化流程。这套 “小团队 POC 跑通链路，再规模化扩散” 的模式，对国内传统软件、政企、通信厂商都有参考价值。
国内大量传统软件与政企系统同样堆积大量遗留代码。思科试点证明：AI 重构不是玄学，适合处理转译、文档补齐、测试生成这类工作，但必须配套严格的校验与灰度机制。无限 Token 只是降低试错成本，不能抹平遗留系统本身的复杂度。
后续 POC 结果，会直接影响大企业对 AI 大规模代码重构的投入节奏。如果验证可控，同类项目会持续增多；如果隐性逻辑偏差频发，行业态度会再度趋于保守。相比 “无限 Token” 的噱头，真正值得跟踪的指标，是隐性逻辑出错频率、验证闭环的成本，这才是判断 AI 代码重构成熟度的标尺。