本文整理自 X 推文。原帖讨论的是：AI 对软件工程里长期存在的「屎山」问题，究竟能帮上多少忙——尤其是依赖库 major version 升级时那一堆 breaking changes。

AI 如何帮助啃下依赖大版本升级这块硬骨头

软件工程里有个老问题：项目越活越久，技术债就越厚。大家口头上的「屎山」，很多时候并不是某一个人写坏了，而是时间、人员流动、业务压力叠在一起，最后变成一坨谁都懒得碰的代码。

其中有一块特别磨人：依赖库大版本升级。

1 没有 AI 的时代：changelog 与 Ctrl+Shift+F

在没有 AI 辅助的年代，升级一个大版本通常意味着：

1. 打开官方 Release Notes 或 CHANGELOG，往往好几页 A4 纸长度的全英文说明；
2. 逐条对照自己项目里有没有用到被删掉的 API、改名的导出、行为变更的配置项；
3. 手写迁移脚本，或者在 IDE 里全局搜索 Ctrl+Shift+F，把旧写法批量替换成新写法；
4. 跑测试、修编译错误、再搜一轮——循环直到 CI 变绿。

这套流程能做完，但极其耗神。breaking changes 往往散落在几十个文件里，有的藏在类型定义、有的藏在间接依赖的 re-export 里。人脑要记住「这个库 v3 把 foo 改成了 bar，v4 又把 bar 拆成了 baz 和 qux」——光是记版本差异就够累了，更别说还要同时兼顾业务需求。

2 AI 时代：把「读文档 + 搜代码 + 改调用」串成一条链

AI 的发展，对于解决这类问题有非常大的帮助。

不是说 AI 能把屎山一下子变成黄金，而是它特别擅长做几件以前最花时间、又最机械的事：

• 快速扫一遍代码库，找出某个依赖在哪些文件、哪些函数里被用到；
• 对照 changelog 语义，判断「这条 breaking change 会不会打到我们」；
• 按文件逐个改，并给出 diff 让人 review；
• 改完跑 build / test，把报错再喂回去迭代。

像是依赖库版本升级 major version 时出现各种 breaking changes，用现在的 AI Agent（Cursor Composer、Claude Code、OpenCode 等）往往能快速推进——至少比一个人从头啃 changelog 快一个数量级。

3 一次真实的大版本升级

下面这张图来自我实际用 Cursor 升级一批 npm 依赖时的 Composer 会话。当时要一口气升多个 major version：

Agent 自动做了这些事：读 package.json、搜索各依赖的引用、对照 v4 的 API 变更（例如 react-resizable-panels 的 Group / Separator / orientation）、改 resizable.tsx 等封装组件，再列 todo 逐项检查 tailwind-merge、sonner、recharts 等是否还有遗漏。

以前这种「七个 major bump 打包处理」的任务，我可能会拖好几个星期——不是不能升，是心理成本高。现在有 AI 把探索、搜索、改代码串起来，一个下午就能推进到可 review 的状态。

4 仍然需要人：AI 是加速器，不是甩手掌柜

有一点得强调：AI 辅助不等于无脑 Accept。

• breaking change 的语义是否理解正确，要靠人 spot check；
• 批量替换可能漏掉动态 import、测试里的 mock、文档里的示例代码；
• 有些库的迁移需要业务判断（例如 zod v4 的 schema 写法变了，是否顺带重构校验逻辑？）。

所以更准确的说法是：AI 把「屎山」里最脏最累的那层土先铲掉，工程师负责结构对不对、边界安不安全。这和 2026 年使用 AI 辅助 Coding 的一些小技巧 里强调的 workflow 是一致的——Plan 可以交给便宜模型，Build 用强模型，但 diff 一定要人看。

5 小结

依赖大版本升级只是屎山问题的一个切面，但它很典型：文档长、影响散、重复劳动多——恰恰是 LLM + Agent 工具链最擅长的场景。

如果你也在拖延某个 ^2 → ^4 的升级，不妨把 changelog 链接和 package.json 丢给 Agent，让它先出一份「影响文件清单 + 迁移 todo」。很多时候，实际工作量比想象中小。