AI Agent 重构单体应用实战：1Password 经验与避坑指南

引言

2026年5月，1Password 公开了他们使用 AI Agent 重构核心 Go 单体应用 B5 的实战经验。这篇分享在 HackerNews 上引起了广泛讨论——不因为 Agent 完美无缺，恰恰相反，因为它诚实展示了 Agent 重构的「能」与「不能」。

作为开发者，你可能已经在用 Cursor、Copilot 辅助编程。但当任务从「写一个函数」升级到「重构整个服务架构」时，Agent 的真实表现如何？让我们从 1Password 的实战中寻找答案。

背景：1Password 的 Go 单体 B5

1Password 的核心后端是一个名为 B5 的 Go 单体应用，已运行多年，在生产环境中的可靠性和扩展性表现良好。但随着功能和团队的增长，他们需要：

• 更清晰的服务边界
• 更独立的部署单元
• 更灵活的团队 ownership

简单说：需要把单体拆成微服务。这就是典型的 Monolith Decomposition（单体分解）问题。

Agent 的强项：分析、规划与确定性工具

依赖分析与排序

单体分解的第一个难题是：从哪开始拆？

在涉及敏感数据（密码管理器）的系统中，提取顺序是一个正确性约束。顺序不对可能引入数据泄露或一致性问题。

1Password 团队构建了一个 Agent 工具链，结合了多个数据源：

# 简化的 Agent 工具链架构
import sqlite3, json
from datadog_api_client import ApiClient
from typing import Dict, List

class MonolithAnalyzer:
    """单体应用分析 Agent"""
    
    def __init__(self, code_path: str, db_path: str):
        self.code_path = code_path
        self.db_path = db_path
    
    def analyze_dependencies(self) -> Dict[str, List[str]]:
        """1. SSA 分析：代码结构
           2. SQL 解析：数据依赖
           3. DataDog MCP：运行时耦合度
        """
        return {
            "domain_ownership": self._ssa_analysis(),
            "data_dependencies": self._sql_dependency_analysis(),
            "runtime_coupling": self._runtime_coupling_analysis()
        }
    
    def _ssa_analysis(self) -> Dict:
        """静态单赋值分析 - 理解代码结构"""
        # Agent 帮助编写了 SSA 分析工具的部分代码
        pass
    
    def _sql_dependency_analysis(self) -> Dict:
        """解析 SQL 查询，识别数据依赖"""
        pass
    
    def _runtime_coupling_analysis(self) -> Dict:
        """通过 APM 数据理解运行时调用关系"""
        pass

这个分析产出了一张领域所有权地图、一张耦合图和一张依赖图。结果与资深工程师的手工分析基本一致——建议从 Vault（有自己的 API、数据集和安全边界）开始拆分。

确定性工具模式

1Password 发现了一个关键模式：用 Agent 构建确定性工具，而不是依赖 Agent 持续解释。

# 示例：Agent 辅助生成的确定性重构工具
def generate_refactoring_manifest(codebase_path: str) -> list:
    """
    通过 SSA 分析生成每个调用点的确定性清单。
    Agent 编写了这个工具，但工具本身是确定性的。
    """
    manifest = []
    # SSA 分析所有调用点
    for call_site in analyze_all_call_sites(codebase_path):
        manifest.append({
            "file": call_site.file,
            "line": call_site.line,
            "pattern": classify_pattern(call_site),
            "suggested_action": generate_template(call_site)
        })
    return manifest

核心洞察是：让 Agent 生成确定性工件，然后强制通过这些约束执行。这大幅减少了 Agent 的非确定性风险。

Agent 的弱项：复杂序列与推测行为

痛点 1：顺序约束错误

当任务复杂度上升时，Agent 开始犯错：

例如，Agent 会在更新插入新行的代码之前，尝试回填 UUID 列。这个顺序会引入静默数据丢失，即使底层系统是容错的。

原因是：Agent 缺乏对系统级约束的理解。它在局部「看起来合理」的决策，在全局可能是灾难性的。

痛点 2：推测行为（Speculation）

1Password 团队观察到一种反复出现的模式——推测：

当 Agent 缺乏足够的上下文时，它会用假设填补空白。这些假设在局部看似合理，但在全局层面是错误的。

这不是 Agent 的「bug」——这是语言模型非确定性的固有特征。解决方案也很明确：让规格说明比 Agent 更精确（Make the specification tighter than the agent）。

痛点 3：生产力增益有限

在复杂任务上，Agent 的生产力提升大约是 20-30%。

# 实际生产力对比
productivity = {
    "well_specified_tasks": {"improvement": "50-80%", "agent_role": "高效执行者"},
    "complex_sequences":    {"improvement": "20-30%", "agent_role": "辅助工具"},
    "novel_architecture":   {"improvement": "<10%",  "agent_role": "无法替代人类"}
}

Agent 很有帮助，但不能替代资深工程师的领域判断。

实战建议：如何正确使用 Agent 重构

建议 1：问题边界先行

Agent 在问题完全指定且边界清晰时表现最佳。开始重构前，先把规格写清楚：

# 好：Agent 能高效执行的明确规格
task_spec = """
将 UserService 中的 SendWelcomeEmail 方法提取到独立的 NotificationService。
- 输入：UserID (int)
- 输出：bool
- 依赖：EmailTemplateRepo, MailClient
- 约束：保持现有错误处理逻辑不变
- 测试：现有单元测试必须全部通过
"""

建议 2：非确定性必须严格约束

class AgentGuard:
    """Agent 执行防护层"""
    
    def verify_sequence(self, actions: list) -> list:
        """验证操作序列是否违反约束"""
        violations = []
        for i, action in enumerate(actions):
            if self._has_order_violation(action, actions[:i]):
                violations.append(action)
        return violations
    
    def _has_order_violation(self, action, preceding) -> bool:
        """检查是否违反顺序约束"""
        # 例如：先回填数据，再修改代码
        pass

建议 3：多 Agent 并行考虑冲突

同时运行多个 Agent 可能很有效，但仅在变更相互独立且冲突被结构性消除时。否则可能增加不一致性。

建议 4：覆盖率的正确理解

目标不是让 Agent 处理所有情况，而是让它在理解充分的模式上自信执行，遇到超出规格的情况时优雅地交给人类。

2026 年 AI Agent 重构的现状

从工具链角度看，目前 Agent 重构的能力光谱：

任务类型	Agent 表现	人类参与度
代码分析/依赖映射	✅ 优秀	低
模式化代码生成	✅ 良好	中
简单的服务提取	⚠️ 可辅助	中高
复杂架构变更	❌ 不可靠	高
安全敏感重构	❌ 需人工审核	非常高

总结

1Password 的实战经验告诉我们，AI Agent 重构的真相是：

1. 分析阶段：Agent 非常出色——阅读代码、分析结构、确定依赖
2. 执行阶段：Agent 有用但有限——在边界清晰的任务上效率提升显著
3. 关键发现：用 Agent 构建确定性工具，比依赖 Agent 直接执行更可靠
4. 生产力：简单任务 50-80% 提升，复杂任务 20-30%，全新架构 <10%
5. 最大风险：Agent 的推测行为可能导致静默错误，必须有防护机制

AI Agent 不会替代工程师的判断力，但它可以成为工程师手中更强大的工具。关键在于理解它的边界，用对地方。

对于正在探索 AI Agent 重构团队，不妨从分析阶段的依赖映射和模式化代码生成开始，逐步建立信任，再扩展到更复杂的执行任务。

你可以在 zidongai.com.cn 查看更多 AI 自动化实战案例。