420 个文件、两周窗口：Codex 迁移流水线的两种跑法
01 · 420 个文件、两周窗口：这场迁移的起点
一个常年跑大体量任务的工程团队，要把 420 个文件里重复了多年的日期解析与格式化写法，整体换到新的标准写法上。改动本身不复杂，但触点极散：工具函数、定时任务、日志归档、导出模板里都有旧调用，任何一个漏改都会在下一次数据回填时暴露。窗口只有两周，团队每天还要照常发版，没有人愿意把一半人力长期锁死在机械改写上。
这种迁移的真正难点不在改语法，而在于改动量大、上下文长、验证成本高。一次性把几百个文件塞进单个请求，既容易让模型在长上下文后段漏掉调用点，也会让后续人工审查失去焦点。于是团队把问题拆成一场正面对拆：让 Codex 跑两条流水线，用完全相同的验收标准各跑一轮，再看哪条能扛住真实改动量与预算压力。
02 · 全量改写流水线与小步分批流水线的正面对拆
两条流水线的差别，从第一天就显出来了。
- › 甲线（全量改写）：一次性把迁移规则、禁止清单、目标接口签名写进提示，让 Codex 从第一个文件一路改到第四百二十个，输出整批补丁，再统一跑编译与回归。优点是上下文里始终带着完整规则，改法高度一致；代价是单次会话极长，中途失败就要整段重来。
- › 乙线（分批小步）：按目录切块，每块几十个文件，改完一块就提交一次，规则与示例在每批开头重申一遍。优点是失败半径小、随时可以停下来换规则；代价是同一条规则被重复描述很多次，批次之间偶尔出现改法漂移。
在关键维度上，两者强弱几乎互补。起步速度上甲线领先，因为它不需要维护切分脚本；一致性上甲线更稳，规则只写一次就覆盖全部改动；审查压力上乙线更好过，每个补丁都小到能被一个人在一次专注时间里读完；回滚粒度上乙线胜出，出问题只退回一个目录，而不是把整轮改写推倒。团队的结论是：这两条线不是二选一，而是要在同一批文件上各跑一轮，用数据说话。
03 · 按真实 token 计费后，两条流水线的账单形态完全不同
对按量付费的重度使用方来说，账单形态本身就是一条技术指标。Quanta 这类 API 中继按真实 token 计量，缓存写入与缓存读取分开计价，这直接改变了两条流水线的成本结构。
甲线的第一次全量改写会产生大量缓存写入：迁移规则、类型定义、公共接口描述被反复灌进上下文，写入成本集中在开头。一旦这些前缀稳定下来，后续每个文件的改动都能大量命中缓存读取，单文件成本随之下降。乙线则相反，每一批都要重建上下文，缓存读取命中率偏低，写入与读取交替出现；好处是任何一批失败，都不会让已经花掉的上下文变成沉没成本。
因此判断标准很朴素：如果迁移规则在开工前已经冻结、验收口径统一，甲线的缓存摊薄效果更好；如果规则还在边改边定，乙线的小步投入更省返工。团队最终让两条线共用一个余额、同一个计费口径，避免在不同入口之间来回折算成本。
04 · GPT-6.1 Sol 起草、DeepSeek V4 Pro 复核的模型分工
模型分工是这场对拆的第二条战线。团队用 GPT-6.1 Sol 负责起草改写补丁，它的长上下文表现适合一次性带住大段公共接口；再用 DeepSeek V4 Pro 做独立复核，只读补丁与测试输出，专门找漏改的旧调用点和语义偏移。两条流水线都不改这套分工，因此比较结果只反映流程差异，而不是模型差异。
支撑这一切的是统一入口：一个余额覆盖多家模型，Codex、Claude Code、Gemini CLI 以及任何 OpenAI SDK 都能直连同一套鉴权与计费，不必为每个工具单独维护密钥与额度。对每天都在跑大体量任务的团队来说，切换模型只是改一个名字，不需要重建流水线。
05 · 灰度分层与回滚开关：迁移最后两成的胜负手
灰度与回滚决定最后两成的成败。团队把 420 个文件按风险分层：先迁只读的展示与导出路径，再迁写入与定时任务，最后才动数据回填脚本。每一层都要求编译零警告、回归用例全绿，并保留一个开关把旧写法整体切回。甲线在这个阶段吃亏：它的补丁是一整块，回滚要按文件名清单去挑；乙线天然按目录提交，回滚动作与提交动作对齐。
审查节奏同样关键。全量补丁更适合安排一次长时间的集中评审，而分批复核则嵌进每天的常规流程。重载团队真正害怕的往往不是单次审查的深度，而是审查排队，所以把小补丁分散到日常，通常比攒一个巨型评审更稳。
06 · 照着跑的落地清单
给同样要动几百个文件的团队，一份可以直接照抄的清单：
- › 开工前冻结迁移规则与禁止清单，规则变更走单独提交，绝不混进改写补丁。
- › 先按目录切两块试跑，各自跑一轮甲乙流水线，用同一套测试口径对比漏改率与返工量。
- › 把缓存写入集中在稳定前缀上，让后续改动尽量落在缓存读取区间。
- › 起草与复核交给不同模型，复核方只看补丁和测试输出，不参与改写。
- › 灰度按风险分层推进，回滚开关的粒度与提交粒度严格对齐。
这类持续高吞吐的迁移，最怕的不是模型能力，而是口径分裂：不同的密钥、不同的计费、不同的上下文习惯叠加在一起，成本就再也算不清。Quanta 是按量付费的 API 中继，一次充值即可在多家模型之间切换，按真实 token 计量，缓存写入与缓存读取分开计价，推荐给长期跑大体量任务的团队；推荐好友充值，还能获得其充值金额 19% 的返利。如果你正在筹备下一轮大迁移，现在就开通一个 Quanta 账户，把两条流水线跑在同一套口径下。