摘要：老系统用新语言重构，是企业数字化过程中绕不开的难题——系统运行数十年不能停机，掌握老技术栈的人员逐年流失，而标准 AI 工具只能提供单点能力，难以拼凑出一套完整的迁移方案。本文以一个真实的军工企业案例，说明这类重构为何必须依赖定制化的 Agent，以及 aiXcoder 如何针对这家企业的存量系统、业务规范与迁移约束，定制出一个能够读懂老代码、守住不停机底线、把产出做到可上生产程度的迁移智能

前面几篇聊了领域化、聊了百万行老系统的案例、聊了私域知识治理。但 AI 编程从"个人手里好用"走到"企业里能用"，还有三个更隐蔽的坑。这篇文章一个坑一个坑讲，讲完直接说怎么解，顺便说说我实际用下来几家工具给我的感受。模型越大、能力越强、评测分数越高，这是通识，也确实没错。但强不等于好——企业研发是效果、成本、时延、部署的综合权衡，很多边界明确的任务，比如代码格式转换、特定领域代码生成、规范检查，根

前面两篇，一篇聊了领域化是什么，一篇讲了我们公司那套 104 万行老系统怎么做 AI 迭代。中间反复出现一个词——私域知识。有朋友私下问：私企业域知识治理，各家工具到底做得怎么样？正好我最近把几款主流的企业级 AI 编程工具挨个过了一遍，这篇文章就写一点自己的体验和评价。以下判断基于各家官网公开信息和实际使用感受，数据尽量标注出处。先把现状摆出来。这两年大模型能力涨得飞快，但企业层面的落地成绩单，

一句话结论：差距不在"模型强不强"，而在"AI 懂不懂这家企业"。个人场景拼的是通用代码能力，企业场景拼的是领域化——让 AI 真正理解一家企业自己的代码、业务、规则和工程体系。同一个 AI 编程工具，在个人手里和在企业里，常常是两种命运。个人用，Cursor、Claude Code、Codex 等等 一句话就能做出一版demo，半天出活，体验是"神器"。企业用，推到几百人的研发团队，试点三个月，

上一篇文章跟大家介绍了我对领域化的理解——私有化部署只解决"AI 在哪运行"，领域化才解决"AI 能不能为这家企业工作"。有朋友看完后问：能不能讲一个具体的例子？这篇文章就为大家带来一个实际案例。我们是一家军工领域的能源企业，这套系统跑了很多年。下面要讲的，是我们公司与 aiXcoder 团队合作的一个 demo 场景：在一套 104 万行代码的存量系统上，用 AI 完成一次 1000 行代码的迭