摘要：AI 给新项目写测试成千上万、绿得漂亮，一碰遗留系统就碎。三层拆开讲：现象是 AI 直接测会焊死实现；焦虑是 Java 会不会被取代；解法是瓶颈在上下文——特征测试钉现状，上下文工程补历史。
遗留系统，AI 为什么测不动？
先说个对比。
给新项目写测试，AI 现在几乎是降维打击。你描述一个模块，它刷刷生成几十个测试文件，覆盖率拉满，一跑全绿。你甚至懒得逐条看，反正过了。
这套"全绿"体验，一到遗留系统（圈内也叫棕地项目）就变了味。
独立开发者 NotAShelf 在 8 月初发了篇《Taste Is All That's Left》，8 月 7 日被网易科技编译后传了一圈。里面一句话戳中很多人：
AI 给新项目写测试易如反掌，但大多数人面对的是遗留系统——多年荒废、堆满糟糕决策、没有测试。
这句话值得拆开看。AI 不是不能测，是它的默认打法在老代码上失效了。
现象层：AI 直接测，测试和实现焊死了
新代码长什么样？目录规整、依赖清晰、一个类一个职责。AI 顺着结构写测试，天然能对上。
老代码长什么样？一个方法里，一边计算金额，一边开事务，还顺手把结果持久化了。层次职责混在一起，谁也分不清。
这时候你让 AI"补测试"，它会干什么？
它没多问，直接开写。一会儿，几十个测试文件生成出来了——你满怀期待跑一遍，挂掉大半。
不是 AI 菜。是它把"代码长什么样"当成了"代码应该长什么样"。测试写出来，跟具体实现绑得死死的。
// AI 直接生成的"单元测试"：断言绑死内部调用
when(ledger.persist(any())).thenReturn(true);
verify(ledger).persist(argThat(tx -> tx.amount().equals("100.00")));
// 内部实现一改，这条测试就碎
这种测试的问题不在"测不准"，在于它把实现细节焊死在断言里。你重构一个内部方法，测试先碎给你看——测试反而成了重构的阻力。
NotAShelf 给的解法，叫特征测试（characterization tests）。
思想一句话：不判断代码对不对，先把当前行为钉下来。
@Test
void 特征测试_锁定当前工单审批行为() {BigDecimal fee = legacyBilling.calc("企业客户A", "工单#T-20260810");// 这不是"正确值"，是"当前值"——先钉住，再谈改assertEquals(new BigDecimal("58.00"), fee);
}
注意注释：这不是"正确值"，是"当前值"。
特征测试不纠结单元测试、不 mock 依赖、不断言内部实现。它从上到下，以"活代码"的方式跑真实调用，把现状记录下来。对不对先不管，先保证"没人动它"。
为什么 AI 特别适合干这个？
NotAShelf 的观察：AI 写的东西，在有人验证之前都是错的——验证比写还难。而特征测试恰好不需要验证：它只记录现状，不判断对错。风险低、不限制重构，正好绕开 AI 最不擅长的部分。
焦虑层：Java 会被 Python 取代吗
特征测试解决了"怎么测"，但一个更扎心的问题会追着你问：
我守着这么一堆老代码，是不是已经被时代淘汰了？
这个焦虑不是空穴来风。两个消息放在一起看：
一是新业务 AI 原生、全程无人工；二是历史债务重的项目，AI 作用有限。
前者让人热血，后者让人心凉——Java 开发者大多是后者。
先看数据，别急着下结论。
TIOBE 2026 年 8 月榜单：Python 18.53% 排第一，Java 8.25% 排第四，差约 10 个百分点。
但有个反直觉的细节：Python 同比跌了近 8 个百分点。前两年 AI 热潮把它捧到过 27% 的历史高位，现在退烧了——退烧之后，第一还是它。
TIOBE 的口径要说清楚：它衡量的是搜索和学习热度，不是岗位数，也不是生产代码量。它回答的是"现在大家想学什么"，回答不了"系统跑在什么上"。
看岗位数据，另一番景象。LinkedIn 2026 年 Q1：Java 岗位约 11.2 万，Python 约 9.8 万，Java 绝对数更大。但 Python 同比增长 18%，增量几乎全来自 AI 和数据工程；Java 只涨 3%。
企业现实里，两者是配合不是替代：Python 做算法训练，Java 做业务落地、接口承载、线上服务。
Azul《2026 年 Java 现状调查》也印证了这点：62% 的企业用 Java 写 AI 功能（2025 年是 50%），多数是给存量 Java 系统加 AI 能力。byteiota 有篇评论说得好："Python 主导一切 AI"的叙事，漏掉了生产部署那一段——算法是 Python 写的，跑起来承载业务的还是 Java。
Priceline 的 CTO Sejal Amin 的说法也值得参考：招聘不再看精通什么语言，看能不能借 AI 用合适的语言把系统搭出来。
所以结论分三种情况：
- 存量上，不会。 银行、保险、核心交易系统还在 Java 上，迁移成本高到没人敢提。
- 增量上，趋势不利。 新项目、AI 原生应用，默认 Python/TypeScript 的越来越多。
- 岗位上，绝对数仍大但增速放缓。 只会 CRUD 的初级岗承压最大。
但别把三件事混为一谈：Java 语言热度下降 ≠ Java 开发者失业 ≠ 老系统该推倒重写。
更准确的说法是：Java 开发者正在分层。会带上下文、懂业务、能把 AI 用起来的那批人，反而在涨价。
解法层：瓶颈在上下文，不在能力
那 Java 开发者的机会在哪？
回到开头的问题。AI 测不动老代码，真不是能力问题。腾讯技术工程 8 月 7 日的文章里，作者自称"AI 铲屎官"，讲自己重构大半年，从 AI 胡言乱语到精准改代码，转折点不是换了更强的模型，而是——给项目搭了 AI 上下文工程。
他的核心判断：AI 和开发者的区别，只在上下文。
包括什么？
- 业务历史背景
- 项目协作方式、和其他模块的关系
- 过去的需求文档、技术文档
- 真实运行情况——哪些分支还在跑，哪些只是历史兼容
- 架构设计和技术债务——哪些改造只做了一半
这些都是"代码里看不出来、改错会出事"的信息。
那篇文章里有个例子，特别典型。
系统里有一段"看起来是重复"的持久化逻辑——审批单被写进库两次。AI 把这当成重复代码，删掉了一次写入。
测试挂掉。
报错现象：删完测试全红，审批单查不到完整历史。
排查：顺着写入链路翻，发现两个流程分支都在跑——早年流程走第一次写入，后来流程又走第二次，线上老工单还依赖它。
解法：不是让 AI"别再删"，而是把"这是老工单流程的兼容分支，线上仍在运行"写进项目上下文。从此 AI 再遇到这段代码，会先判断是不是兼容分支，而不是一刀删掉。
关键发现：这段信息不在代码里，在当年的业务决策记录里。
这就是上下文工程：把代码里看不出来的信息，显式交给 AI。
具体做起来，三件事就够起步：
- 写一份"现状说明书"：哪些模块还在被真实调用、哪些是历史兼容、哪些改造只做了一半。不用长，够 AI 判断就行。
- 把散落的需求文档、技术文档收拢成 AI 能读的格式，按模块归档。
- 在 AI 工具里把这份上下文挂上。国内外的工具都支持，关键不是格式，是内容有没有喂进去。
做完这三件事再让 AI 动手，效果完全不同。腾讯作者的原话是：搭上下文之前 AI 胡言乱语，搭完之后，它能精准定位问题、给出贴合项目的方案。
当然，这份现状说明书不会自己长出来，得靠人写。这本身就是成本——但它是一次性投入，换来的是一年 365 天不重样的 AI 协作效率。
这件事对 Java 开发者是利好，不是利空。因为上下文恰恰来自人——来自那些在系统里泡了很多年、知道哪段代码是坑的人。
把人和 AI 的协作成本显性化
现在很多团队算 AI 提效，只算"生成代码省了多少小时"。漏了另一半：人和 AI 的沟通协作成本。
代码生成成本已经趋近于零，真正卡住的是"让 AI 理解这个项目"的成本。
上下文工程就是把这笔成本显性化：写成文档、做成规范、沉淀进工具配置，一次投入，反复复用。
这套做法不挑工具。Claude Code、Cursor 能做，国内的 CodeBuddy、WorkBuddy 也能做；模型用 DeepSeek、Kimi、豆包都一样——关键是上下文喂得够不够。
特征测试 + 上下文工程，正好是一对：
- 特征测试管"现状"——先把老代码的行为钉住，AI 改坏了立刻能发现；
- 上下文工程管"为什么"——把代码里没有的历史和约束喂给 AI，让它别踩坑。
两个都做完，遗留系统才算真正对 AI 开放。
回到标题：AI 为什么测不动遗留系统？
因为它看到的只是代码，不是系统。代码纠缠、没有测试、历史藏在文档和人的脑子里——AI 在单点上是强的，在"理解一个活了十年的系统"上是弱的。
但解法不是等更强的模型。特征测试钉住现状，上下文工程补齐历史，把人和 AI 的协作成本显性化——这套组合拳，现在就能做。
至于 Java 会不会被取代？数据说了：热度降了，岗位还在，存量不会跑。真正被淘汰的不是 Java，是"只会 CRUD、不掌握上下文"的那批用法。
延伸阅读
- 特征测试是《Working Effectively with Legacy Code》（Michael Feathers）里的经典概念，书里讲得很透，建议整本读。
- NotAShelf 原文《Taste Is All That's Left》值得读全文，讲的是 AI 时代"品味"为什么成了稀缺品。
- 腾讯技术工程那篇《从胡言乱语到精准改代码：我是如何让 AI 读懂老项目的》，讲上下文工程落地的完整过程。
参考资料
- NotAShelf：《Taste Is All That's Left》
- TIOBE Index，2026 年 8 月榜单
- 腾讯技术工程：《从胡言乱语到精准改代码：我是如何让 AI 读懂老项目的》
- Azul：《2026 年 Java 现状调查》
- LinkedIn 岗位数据，2026 年 Q1
作者：唐悦玮 | 公众号同名
从后端出发，用 AI 拓展到全栈的工程师。