在軟體工程的長期維護過程中，處理舊有技術債（Technical Debt）往往是開發團隊最頭痛的問題。技術債是指為了追求短期開發速度而採取不理想的技術方案，導致後續維護成本增加的現象。當某個核心工具或框架過時且不再維護時，工程師面臨的選擇通常是承受系統不穩定，或是投入巨大的人力成本進行全面遷移。對於 Asana 這類規模的企業級協作平台而言，這種遷移工程可能需要耗費數年時間且成本極高，導致許多必要的系統升級在實務上被視為不可能完成的任務。
核心挑戰與舊有系統的瓶頸
Asana 在其前端開發流程中長期使用名為 Enzyme 的測試系統。Enzyme 是一個用於測試 React 組件的 JavaScript 測試工具，其核心作用是確保程式碼在修改後仍能正常運作，避免出現回歸錯誤。然而，隨著前端技術的演進，Enzyme 逐漸停止維護，變成了 Asana 現代化前端技術棧（Frontend Stack）的阻礙。
由於 codebase（程式碼庫）規模龐大，若要將所有舊有的 Enzyme 測試案例遷移到現代化的測試框架，原先的預估方案需要投入大量工程人力，耗時約五年，且預計人力成本高達 600 萬美元。這種高昂的成本與漫長的週期，使得這項必要的升級工作在傳統開發模式下幾乎無法啟動。
利用 AI Agent 實現自動化遷移
為了突破這個僵局，Asana 導入了由 OpenAI 頂尖模型驅動的 Codex 技術。Codex 是一種專為程式碼生成與理解設計的 AI 模型，能夠將自然語言指令轉化為可執行的程式碼。Asana 並非單純將 Codex 當作補全工具，而是將其建構為 AI Agent（AI 代理人）。AI Agent 是指能夠在設定目標後，自主規劃步驟、執行操作並根據結果調整行為的系統。
在實際操作中，Asana 的工程師僅提供了一個約五句話的簡短指令，隨後啟動了最多四個 AI Agent 並行工作。每個 Agent 都在獨立的程式碼庫副本中執行遷移任務，這樣可以避免在開發過程中產生衝突。在整個流程中，人類工程師的角色轉變為監督者與審核者，每天檢查兩次進度，並對 AI 提出的每一項程式碼變更進行審核與批准。值得注意的是， Asana 發現簡單明確的指令效果反而比複雜的設定更好，這顯示出模型在處理結構化遷移任務時具有高度的理解力。
實務成效與經濟影響
這次嘗試帶來了驚人的效率提升。原本預計需要五年的工程量，在實際執行中僅耗時兩個日曆週（其中實際工程投入約為 1.5 週）便完全移除了 Enzyme。在財務成本方面，模型調用與基礎設施的總支出僅約 1.2 萬美元，與原先預估的 600 萬美元人力成本相比，成本降低了數百倍。
這次成功的關鍵在於 AI Agent 能以極高速度處理重複性強且邏輯一致的遷移工作，而人類工程師則專注於最高價值環節：品質把關與最終決策。這不僅解決了技術債問題，更讓工程師能從枯燥的機械式修改中解脫，將精力重新投入到產品設計與工藝精進等創造性工作中。
技術啟示與未來限制
Asana 的經驗改變了企業看待長期軟體專案的邏輯。過去被認為不切實際、耗時過久的遷移或重寫計劃，現在變成了可行的選項。這意味著企業可以更頻繁地更新技術棧，以保持競爭力，而不再被舊有系統綁架。
然而，這類自動化遷移並非沒有限制。AI Agent 的產出依然需要經過嚴格的人類審核，以確保沒有引入新的漏洞或邏輯錯誤。此外，並非所有長年積壓的專案都能像這次遷移一樣迅速縮減至數週，這取決於任務的模式化程度以及模型對該特定技術領域的掌握能力。儘管如此，AI Agent 的介入確實為工程組織提供了新的可能性，讓那些曾經被放棄的優化計畫重新變得具有商業價值。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。