2026 年 9 月 20 日，InfoQ 深度复盘了 Bun 的一次大规模代码迁移：Bun 团队用 AI 辅助，在四个月内把 53.5 万行 Zig 代码迁移为 Rust。整个过程涉及超过 100 万条测试断言、11 轮代码审查与持续的模糊测试，并修复了 128 个长期缺陷。本文从软件工程实践视角，分析 AI 辅助大规模重构与迁移的方法论与风险。
迁移规模与成本
据 InfoQ 报道，原代码库约 53.5 万行 Zig，测试套件用 TypeScript 编写、包含超过 100 万条断言；团队主要使用预发布版 Claude Fable 5，编排约 50 个动态工作流，最终分布在 4 个工作区分片、每片 16 个 agent、并行 64 个实例，峰值约每分钟产出 1300 行代码。Pre-merge 阶段消耗约 59 亿未缓存输入词元与 6.9 亿输出词元，按 API 价约 16.5 万美元，而人工估计需 3 名熟手约一年。
质量保障手段
面对如此规模的自动化改写，团队的质量保障主要依赖测试与审查：机械移植引入了 19 个源于 Zig 与 Rust 语法相似性的语义回归；团队进行了 11 轮代码审查，对每个 parser 做 7×24 的覆盖率引导模糊测试，产出 15 个 PR。对软件工程实践而言，这段经验说明——AI 提速的是产出，而验证仍需要独立、可自动化的质量门禁。
收益与争议
据 InfoQ，Rust 版（Bun v1.4.0）修复了上一版中 128 个长期缺陷；连续 2000 次构建的内存稳定在约 609 MB，而此前会涨破 6.7 GB；HTTP 吞吐提升约 2% 到 5%。同时，Zig 创始人 Andrew Kelley 公开撰文质疑“百万行未经人工评审代码”的做法，引发关于大模型生成大型代码库可维护性的行业讨论。需要说明，版本发布在 2026 年 8 月，9 月的新闻点是这次深度复盘与随之而来的争议。
对团队的启示
建议把 AI 辅助重构限定在边界清晰、测试充分的模块，先建立覆盖率与回归基线再动手；对生成的代码坚持代码质量门禁与代码审查，并把迁移过程拆成可回滚的小步。对遗留系统现代化这类高风险项目，还应保留人工主导的架构决策权，避免把可维护性外包给模型。
小结
Bun 用 AI 四个月完成 53.5 万行代码迁移，以超百万测试断言、11 轮代码审查与 128 个缺陷修复为关键事实，是软件工程实践领域关于 AI 辅助大规模重构的一次重要案例。