摘要：大型企业IT面临双速困境：现代云原生与遗留系统。新策略利用智能体AI和MCP构建抽象层，实现AI与遗留系统交互，避免重写。需深化验证和文化转变，以弥合鸿沟，整合核心资产。
大型企业IT面临双速困境：现代云原生与遗留系统。新策略利用智能体AI和MCP构建抽象层，实现AI与遗留系统交互，避免重写。需深化验证和文化转变，以弥合鸿沟，整合核心资产。
译自：How MCP and AI are Modernizing Legacy Systems
作者：Saqib Jan
在许多大型企业中，一个隐藏的分歧定义了技术格局，创建了一个双速IT组织。一方面，现代的云原生应用程序以DevOps的全部速度和敏捷性构建。另一方面，关键的、单体式遗留系统大部分未被触及——被认为过于僵化和风险高，不适合现代化。
多年来，唯一可行的解决方案是一个大规模且往往不切实际的重写项目，使最基础的系统远离现代创新。但一种新的、更务实的策略正在浮现，它利用智能体AI和模型上下文协议 (MCP)来弥合这一鸿沟。
这种方法不是替换这些核心系统，而是在它们之上构建一个智能抽象层，允许现代自主智能体以标准化、AI原生的方式与遗留逻辑交互。
然而，这种方法引入了超出简单连接的一系列新挑战。成功弥合鸿沟需要文化转变，以解决围绕遗留系统的现代 DevOps 盲点。
更重要的是，它需要一种新的验证范式来保证这些新型混合架构的稳定性。处于这一转变前沿的工程领导者的见解为驾驭这一复杂但至关重要的旅程提供了一份清晰的路线图。
LambdaTest（一家AI原生软件测试公司）的DevOps和DevSecOps副总裁Akash Agrawal表示，这一挑战的核心是许多现代DevOps实践中一个常见但危险的盲点。
他观察到，团队经常将最先进的自动化和测试策略集中在新兴的云原生服务上，而主动跳过那些被认为过于僵化或难以自动化的遗留系统。
DevOps文化重视速度和敏捷性，这些特质似乎与这些基础应用程序的缓慢、单体性质格格不入。
这造成了一种许多企业领导者都会认识到的鲜明讽刺。虽然最复杂的工程实践被应用于较新、通常不那么关键的服务，而核心的、创收的遗留系统——我们认为绝对任务关键到不容失败的系统——却常常被忽视。这种回避并不能消除风险；它只会集中风险。
因此，技术栈中现代部分与遗留部分之间日益扩大的脱节，成为潜在不稳定和业务中断的一个重要且未被解决的来源。
新兴策略并非尝试冒险且昂贵的“彻底替换”现代化工作，而是专注于抽象而非替换。目标不是重写核心系统，而是利用模型上下文协议（MCP）在它们之上构建一个智能的、AI原生的接口。
这种方法允许组织保留其稳定、经过实战检验的遗留逻辑，同时为现代自主应用程序释放其价值，在不中断关键操作的情况下，在新旧之间搭建桥梁。
Dremio的CTO Rahim Bhojani表示，这种转变反映了数据平台内部正在发生的类似演变。在DevOps中，持续的挑战是“代码到上下文”鸿沟，其中关键业务逻辑仍然埋藏在复杂、不透明的代码库中。
在分析领域，同样存在一个困难的“上下文到分析”鸿沟，企业数据不仅存储在现代湖仓中，而且分散在无数系统中——数据仓库、流媒体平台、软件即服务应用程序和本地存储——这些系统必须进行联邦化才能提供统一的视图。
这两种情况都代表了相同的基础问题：缺乏可访问的、机器可读的上下文，无法使智能系统在基础设施和数据层之间无缝推理。
通过应用智能体AI和MCP框架，企业现在可以将隐性知识（无论是嵌入在代码中还是隐藏在分布式数据中）转化为结构化的、AI可读的上下文。
MCP服务器充当一个智能门面，提供一个标准化接口，允许AI智能体与遗留系统和联邦数据平台进行交互。DevOps自动化和数据智能的这种融合标志着一个关键的转变：使曾经孤立的系统和数据集成为现代AI驱动企业中的活跃参与者。
创建这个智能抽象层只完成了一半工作；确保其在AI智能体动态负载下的可靠性本身就是一个复杂的挑战。因为传统的测试方法，可能仅仅验证API的契约，对于这些现代智能体与遗留核心交互的新型混合系统来说是不够的。
Akash Agrawal表示，需要一种更深入、更全面的验证方法。他认为，由于这些遗留系统如此关键，测试必须超越API层，深入到底层基础设施。
对于这些新的MCP工作负载，团队需要在实际条件下验证性能，测试内存泄漏或意外的内核行为等细微但关键的问题。这些是传统单元测试无法捕捉的性能下降类型，但它们可能导致生产环境中严重的不稳定性。
为实现这一目标，Agrawal提倡使用“可观测性驱动”的测试平台。这代表着从仅仅寻找测试用例的“通过”或“失败”结果的根本性转变。
相反，一个可观测性驱动的平台会将每个测试的结果与实时基础设施事件和性能指标关联起来。这提供了系统在AI驱动负载下的行为的完整图像，使团队不仅能理解连接是否有效，还能理解它如何影响其最关键的遗留应用程序的稳定性。
这种更深入、可观测性驱动的测试的最终目标不仅仅是发现更多错误，更是要更快地修复它们。因为对于任何DevOps组织而言，最切实的收益来自于缩短平均解决时间（MTTR）。
在现代智能体层与遗留核心交互的复杂混合系统中，查找故障的根本原因可能非常耗时，因为问题可能存在于分布式堆栈中的任何位置。
Agrawal表示，这正是现代AI驱动测试平台旨在解决的挑战。他借鉴在LambdaTest的工程经验指出，Kane AI（一个端到端测试智能体）如何能对新的云原生服务和底层遗留系统执行分布式追踪。通过关联整个堆栈中的事件，该平台可以为任何故障提供“可追溯的原因”。
系统不再仅仅标记测试失败，而是提供了失败原因的清晰描述，直接将团队引向根本原因，无论它是在现代MCP层、遗留应用程序还是基础设施本身。
对于DevOps领导者而言，这是拼图的最后也是最引人注目的一块。通过提供这种深入的跨系统上下文，AI驱动的验证可以显著缩短MTTR，将团队从缓慢的反应式调试转向快速、洞察力驱动的解决方案。
几十年来，企业最关键遗留系统的现代化 常常感觉像是在高风险的完全重写与同样冒险的什么都不做之间做出的一个不可能的选择。模型上下文协议和新一波智能体AI 现在提供了第三条更务实的路径。这种新策略允许组织构建一个智能的、AI原生的抽象层，在不触及核心的危险下，释放这些系统的巨大价值。
使这种方法可行的关键在于测试领域的并行演进。通过采纳彻底的、可观测性驱动的验证模型，团队可以获得在生产环境中运行这些新型混合系统所需的信心。
这种智能抽象和深度验证的双管齐下方法，最终为弥合双速IT组织中的鸿沟提供了途径。通过这样做，领导者可以将他们的基础业务资产整合到现代 智能体AI应用程序 的工作流程中，确保没有关键系统被遗弃。
来源：澳辉侃科技