Thoughtworks 顾问近期描述了一个将生成式 AI 应用于没有可用源代码的遗留系统的实验。该实验文章分享在 Martin Fowler 的博客上，突出了一个由五人团队并行分析系统数据库、UI 和二进制文件的试点项目。InfoQ 联系了作者 Thiyagu Palanisamy 和 Chandirasekar Thiagarajan，他们解释在两周的试点中，团队使用 Gemini 2.5 Pro 分析了一个庞大遗留系统的一小部分，输出为功能规范即“蓝图”，且领域专家能验证。AI 在解码代码、总结二进制文件和映射数据库更改方面最有效，还能简化模式发现。此实验展示了 AI 如何加速逆向工程，提供仅靠手动方法难以达到的对遗留系统的洞察。企业常依赖多年使用后变得不透明的关键系统，文档不完整、源代码缺失、机构知识随时间侵蚀，此为“黑盒”问题，目标是重建功能意图的“蓝图”以降低现代化风险。试点结合了多种技术，如关联不同数据源、应用变更数据捕获等。过程是迭代的，AI 提供速度，人类验证结果。当领域专家审查输出时，确认其能准确捕捉行为作为可靠参考点。作者称该方法已应用于其他客户项目提供加速。实验也揭示了挑战，如 AI 模型不可靠、存在幻觉等风险，需其他证据确认假设，验证很关键。此试点说明了 AI 辅助逆向工程的前景和限制，团队还分享了关于试点设置、技术潜力的反思等，包括试点时长、人员参与情况、方法可扩展性、AI 生成规范的价值、与传统逆向工程的对比、显著缺陷、验证处理、方法未来发展及给类似情况的建议等。