构建一个 AI Agent：为什么大模型不能直接重构代码？

在前两篇文章中，介绍了一个 AI Agent，用来辅助将 Legacy Django 项目重构为新的 Django6 架构。

Agent 的整体流程如下：

Legacy Django Project
        │
        ▼
Project Scan
        │
Model Analysis
        │
Model Mapping
        │
LLM Mapping Review
        │
Semantic Analysis
        │
Relationship Graph
        │
Domain Graph
        │
Project Structure Learning
        │
AI Model Generation

很多人看到这里会产生一个疑问：

为什么这么复杂？为什么不直接把旧代码丢给大模型让它重写？

一、大模型为什么不能直接重构系统

很多开发者第一次尝试 AI 重构代码时，通常会这么做：

把 legacy model 代码
复制给 LLM
让它重写为 Django6

例如：

class VirtualServer(models.Model):
    user = models.CharField(max_length=255)
    image = models.ForeignKey(Image)

然后让 AI 生成：

Rewrite this model for Django6

这种方式的问题非常明显。

---

问题一：AI 不理解系统

大模型看到的只有一个文件：

virtual_server.py

但一个真实系统里：

VirtualServer
 ├── Customer
 ├── Image
 ├── PhysicalServer
 └── IPAddress

如果 AI 看不到这些关系，它只能：

猜

于是经常会生成：

ForeignKey(User)

但实际上正确的关系是：

ForeignKey(Customer)

---

问题二：AI 不理解业务领域

Legacy 系统中经常出现：

user
owner
customer
admin

这些字段看起来类似，但含义完全不同。

例如：

VirtualServer.user

实际上是：

Customer

而不是 Django 的：

auth.User

如果没有语义分析，AI 很容易生成错误结构。

---

问题三：AI 不理解系统架构

新系统往往有明确架构，例如：

core
asset
network
compute
storage
ops

但 AI 并不知道：

VirtualServer 应该放在哪个 app

于是可能生成：

apps/core/models/virtual_server.py

而正确结构应该是：

apps/compute/models/virtual_server.py

---

问题四：AI 不知道代码风格

新系统通常有自己的规范：

BaseModel
related_name
choices
service layer
serializer layer

如果 AI 没看到真实代码，它只能使用“通用 Django 风格”。

结果往往与项目不一致。

---

二、正确的 AI 重构思路

因此我们设计了一个原则：

AI 不应该直接生成代码，而应该先理解系统。

换句话说：

Code Generation
必须建立在
System Understanding
之上

于是整个 Agent Pipeline 被设计为两大阶段：

系统理解阶段
+
代码生成阶段

---

三、阶段一：系统理解

这一阶段的目标是：

让 AI 完整理解 Legacy 系统

包括：

1 项目结构

modules
templates
settings
urls

---

2 数据模型

提取：

models
fields
relations
constants
choices

生成：

db_models_analysis.json

---

3 架构映射

将旧模型映射到新架构：

VirtualServer → compute
IPAddress → network
Region → asset

生成：

db_to_target_mapping.json

---

4 字段语义

分析字段真实含义：

VirtualServer.user → customer
LoadBalancer.user → customer

生成：

field_semantics.json

---

5 模型关系图

构建：

Relationship Graph

例如：

VirtualServer
 ├── Image
 ├── Customer
 ├── PhysicalServer
 └── IPAddress

生成：

relationship_graph.json

---

6 领域结构

将模型归类为领域：

compute
network
asset
core

生成：

domain_graph.json

---

这一阶段完成后，Agent 实际上已经做了一件非常重要的事情：

对 Legacy 系统进行了结构化逆向工程

---

四、阶段二：学习新系统

理解旧系统还不够，AI 还必须：

学习新系统架构

Agent 会扫描：

apps
models
serializers
services
views

生成：

project_structure_graph.json

这样 AI 就能知道：

app
 ├── models
 ├── serializers
 ├── services
 └── views

---

五、Reference Learning

为了让 AI 学习代码风格，Agent 会自动选择：

Reference Models

例如：

PhysicalServer
Image
Customer
IPAddress

这些真实代码会作为：

Prompt Context

提供给 LLM。

这样 AI 生成的代码会自动遵循：

BaseModel
ForeignKey
related_name
choices

等项目规范。

---

六、AI 生成代码

最后一步才是：

AI Model Generation

AI 生成代码时会参考：

Legacy Model
Mapping
Field Semantics
Relationship Graph
Reference Models
Project Structure

这使得生成的代码：

不是猜的
而是推理出来的

---

七、Agent 设计思想

这套系统其实体现了一个重要思想：

AI ≠ Code Generator
AI = Reasoning Agent

也就是说：

AI 不是简单写代码，而是：

理解系统
推断结构
生成代码