引言

这个系列已经讲了 Claude Code 的底层机制、扩展能力的工程演进、以及自动编排与防失控。但一直缺一个东西：真实的、大规模的生产案例。

Anthropic 最近两篇博客正好补上了这个缺口。一篇讲他们怎么用 Claude Code 把百万行代码从 Zig 迁到 Rust；另一篇讲他们新推出的 Managed Agents——一套帮团队把 Agent 从原型变成生产级服务的基础设施。

这两篇放在一起看，就是 Claude Code 从"个人工具"走向"生产平台"的完整路线图。

一、百万行代码迁移：不是翻译，是生产线

先看几个数字：

Bun 的 Jarred Sumner 用 Claude Code 把项目从 Zig 迁到 Rust，不到两周产出 100 万行代码，合并前 CI 中所有原有测试通过。另一个案例，Anthropic Labs 的 Mike Krieger 用一个周末，把 Python 代码库迁成了 16.5 万行 TypeScript，跑了数百个 Agent、8 道阶段闸门、3 轮对抗审查。

Anthropic 过去一个月一共迁了 10 个代码包，每个都有数万到数十万行。

注意，这不是"Claude 一次把代码翻译对了"。真正让规模迁移成立的，是它把迁移改造成了一条可以反复运行、机械验收、失败后继续收敛的生产线。

人不再追着每个文件改。人负责规则、裁判和异常模式，Agent 负责把队列烧完。用原文里最值钱的一句话：别修代码，修产生代码的循环。

为什么代码迁移特别适合多 Agent

大规模迁移刚好满足 Agent 最喜欢的几个条件：

  • 工作能并行：上千个文件可以切成独立批次
  • 旧代码就是规格：原程序已经把行为写出来了，Agent 可以同时对照源语言、目标语言和真实输出
  • 有机械裁判：编译器、冒烟测试、完整测试套件、命令输出 diff，都能明确告诉 Agent 对还是错
  • 规则可以向后传播：一个 Agent 发现边界问题，不是只补当前文件，而是把解法写回迁移规则，后面所有 Agent 都按新规则执行

这也是它和普通"批量翻译代码"的根本区别：并行只负责提速，统一规则和机械验收才负责不失控。

六步迁移：最重要的工作都发生在大规模翻译前

第一步，建立规则手册、依赖图和差距清单。 规则手册规定类型、惯用法和架构怎么映射；依赖图决定哪些文件先迁；差距清单记录无法直接翻译的隐性知识。顺序不能反：先定默认规则，再找默认规则盖不住的差距。

第二步，用小样本把规则撞一遍。 Bun 迁移时，一个 Agent 按规则翻 3 个文件，另一个 Agent 像资深工程师一样翻同样的文件，第三个 Agent 比较差异并补规则。只跑这轮小实验，就提前抓到两个会扩散到 1448 个文件的关键问题。

这里最反直觉的是：试迁出来的代码全部扔掉。 这一轮的产物不是代码，是更可靠的规则。

第三步，把翻译任务铺开。 批处理脚本从磁盘重建待办队列，高吞吐翻译交给较小模型，写规则和做审查留给更强模型。如果同一种错误反复出现，别手补十个文件——给规则手册加一句，再重新生成受影响的那一批。

第四到第六步，依次编译、运行、对齐行为。 编译错误由 fixer agents 分批处理；崩溃交给冒烟测试；最后把新旧程序放到同一套测试里比行为。人的注意力不要放在某一个红叉，要看哪些红叉总以同一种方式出现——单点失败交给 loop 消耗，重复模式才值得人修改上游规则。

裁判要严格到能抓住已知错误

Anthropic 把强裁判列为前置条件。没有它，你连"迁完了"是什么意思都说不清。

裁判必须做一次反向验证：原程序应该通过，故意破坏的程序必须失败。抓不住已知错误的测试，不是裁判，只是安慰剂。

Mike 没有现成的跨语言测试，就做了 7 个真实场景的 parity harness，把 Python 和 TypeScript 输出逐项比较，任何行为差异都算 Bug。

账要算清楚

Bun 迁移消耗了约 16.5 万美元的 API 费用（59 亿 uncached input tokens + 6.9 亿 output tokens）。但过去百万行迁移可能是 4 年、300 万到 400 万美元的人力项目。最坏情况也从"维护两套半成品几年"变成"删掉分支，改好规则再跑一次"。

效果也不是只看行数。Bun 的一个 2000 次重复构建基准，内存从 6745 MB 降到 609 MB；Python 到 TypeScript 的项目，启动快 6 倍，还删掉了一条独立部署流水线。

所以别因为"Claude 能迁"就迁。业务收益、测试裁判、Token 预算、审查能力，四样缺一个，都可能把漂亮 Demo 变成昂贵烂尾。

二、Managed Agents：把 Agent 从原型推向生产

如果说代码迁移展示了 Claude Code"能干什么"，那 Managed Agents 展示的是"怎么让它稳定地干"。

演进线：从 tokens in/out 到全托管

  • 2023 年，简单 API 时代。 最早的 Claude API 只是 tokens in, tokens out。模型只负责思考，工具调用、循环、文件系统这些外壳全得开发者自己搭。
  • 2025 年，Claude Code 和 Agent SDK。 Claude Code 自带了一套打磨过的内部 harness，后来通过 Agent SDK 开放出来。
  • 现在，Managed Agents。 不只是给你 harness，而是把 harness + 整套生产基础设施一起托管。你专注写 Agent 的逻辑和领域知识，运行、伸缩、安全交给平台。

核心设计：把"大脑"和"双手"拆开

过去 Agent 的 harness（负责推理的"大脑"）和它操作的 sandbox 文件系统（执行代码的"双手"）经常挤在同一个容器里。听起来没毛病，但一上规模三个问题全冒出来：

  • 启动慢——每跑一个 Agent 都要冷启动一个容器
  • 凭证暴露——你的 API key 和 Agent 生成的代码待在同一个容器里
  • 挂了就全丢——容器一崩，跑到一半的进度全没了

Managed Agents 的解法：把大脑和双手拆开，中间用一条 append-only 的 session 日志连接。 大脑在一边推理，双手在另一边执行，两边通过这条只追加、不修改的事件流对话。

拆开之后，整套东西由三种资源组成：

  • Agents：配置——用哪个模型、什么提示词、能调哪些工具、有什么护栏
  • Environments：执行上下文——sandbox 容器、预装好的依赖包
  • Sessions：一次具体的运行——完整事件历史存在服务端，可观察、可恢复

拆开之后赚到了什么

  • 凭证安全：凭证放进保险库，信封加密，Agent 现场写的代码碰不到密钥
  • 延迟大降：首 token 时间中位数降了约 60%，最慢的那批降了 90% 以上
  • 会话可持久、可恢复：容器崩了不再等于从头再来，可以从断点接着跑
  • 部署灵活：既可以用 Anthropic 托管，也可以把 sandbox 放进你自己的 VPC 里

一个容易被忽略的 lesson

博客里有一段特别值得拎出来：模型在进化，harness 必须跟着一起进化。

在 Sonnet 4.5 上，Agent 快用到上下文末尾时会"赶工"——感觉自己快没空间了，就急着草草收尾。团队给 harness 加了上下文重置来修这个问题。结果到了下一代模型，这个毛病没了，那段优化也就不需要了。

这意味着什么？如果你自己维护 harness，你就得永远追着模型的脾气改——这一代有这个怪癖你补一段，下一代变了你再删一段。而 Managed Agents 的意义就在这：这些跟着模型版本来回横跳的优化，平台替你扛了。

谁该用

对绝大多数团队来说，维护一套 harness 是"不产生差异化"的纯开销。 你的产品凭什么赢？是你的领域知识、你对上下文的组织能力，不是你那套 Agent 循环写得比别人精巧。

几个客户数据：Notion 用自定义 Agent 把"十二个小时的活干成了二十分钟"；Sentry 的调试 + 自动 PR Agent，单个工程师几周就搞定，过去得几个月；Rakuten、Atlassian 跨部门铺开 Agent 大约一周就上。

它还带了生产级特性：Memory 和 Dreaming（定时回顾 session、从中提炼模式）、Outcomes（Agent 按评分标准给自己的活打分）、多 Agent 编排、权限策略、webhook、MCP tunnel 连私网。

总结

把代码迁移和 Managed Agents 放在一起看，是一条完整的生产级路线：

  • 代码迁移展示了"能做什么"——百万行代码不再是"多年豪赌"，而是"昂贵但可以重跑的工程实验"。关键是把迁移变成一条生产线：规则负责不失控，裁判负责验证，loop 负责收敛。

  • Managed Agents展示了"怎么稳定地做"——把大脑和双手拆开，用一条 append-only 日志连接，让 Agent 从个人玩具变成可伸缩、可恢复、可审计的生产服务。

两者的共同点：人不再追着每个任务改。人负责规则、裁判和异常模式，Agent 负责把队列烧完。 这不是"AI 替代人"，而是把人的工程判断外化成系统约束。

从 tokens in/out，到自带 harness，再到托管整个基础设施——这条线的终点不是"AI 更聪明"，而是"开发者只需要关心 Agent 该干什么，不用操心它怎么跑"。

参考链接

  • Anthropic Blog: How Anthropic runs large-scale code migrations with Claude Code
  • Anthropic Blog: Building with Claude Managed Agents