Τα κρατά όλα μαζί, αλλά κανείς δεν θέλει να τα αγγίξει. Legacy code is the dark matter of the software universe. Αν εργάζεστε σε εταιρικό λογισμικό, γνωρίζετε τον αγώνα: μονολιθικές εφαρμογές Java, έγγραφα σχεδιασμού 500 σελίδων (PDFs!), και "κωδικός σπαγγέτι" που σπάει αν αναπνεύσετε λάθος. Τα περισσότερα εκπαιδευτικά προγράμματα AI σας δείχνουν πώς να χτίσετε Οι apps. ΝΕΑ But can GenAI actually handle the grit of a 10-year-old legacy system? Σε αυτό το πείραμα, πήραμε ένα τεράστιο, πραγματικό σύστημα διαχείρισης βιβλιοθηκών (που χτίστηκε σε παλαιότερα πρότυπα Java) και δοκιμάστηκε με άγχος. Σε όλη τη διάρκεια του κύκλου ζωής ανάπτυξης λογισμικού (SDLC), δεν το ζητήσαμε μόνο να «γράψει κώδικα», προσπαθήσαμε να το χρησιμοποιήσουμε για προδιαγραφές UI, διαχείριση εξαρτήσεων και σύνθετη παραγωγή περιπτώσεων δοκιμών. GPT-4 Εδώ είναι τι λειτούργησε, τι απέτυχε και η ακριβής ροή εργασίας που μπορείτε να χρησιμοποιήσετε για να εκσυγχρονίσετε τα έργα κληρονομιάς σας. Η πρόκληση: Το πρόβλημα της «επίδειξης αίματος» Το θέμα μας ήταν μια συγκεκριμένη ενότητα ενός συστήματος βιβλιοθήκης (WebiLis/iLiswing).Η ομάδα αντιμετώπισε ένα κλασικό επιχειρηματικό πρόβλημα: 
 
 
 
 Σύνθετες διαμορφώσεις: Το λογισμικό τρέχει σε ποικίλα περιβάλλοντα, οδηγώντας σε μια έκρηξη δοκιμαστικών προτύπων. Διαφορά δεξιοτήτων: η μεταφορά γνώσεων σε υπεράκτια Κέντρα Παγκόσμιας Παράδοσης (GDC) οδήγησε σε εσφαλμένες ερμηνείες των προδιαγραφών σχεδιασμού. Κούραση: Οι ανώτεροι προγραμματιστές ξοδεύουν ώρες πιάνοντας τυπογραφίες αντί να διορθώνουν τη λογική. Έχουμε ενσωματώσει μια εσωτερική συσκευασία ChatAI (που τροφοδοτείται από το GPT-4) για να δούμε αν μπορούμε να αυτοματοποιήσουμε τον πόνο μακριά. Φάση 1: Το φρούτο χαμηλής κλίσης (UI & τεκμηρίωση) Πριν αγγίξουμε τον κώδικα, εξετάσαμε τη φάση σχεδιασμού. τροφοδοτήσαμε τις πρώτες λίστες απαιτήσεων AI και ζητήσαμε να δημιουργήσουν . UI Design Specifications Το πείραμα Έχουμε σκόπιμα εισαγάγει λάθη στις προδιαγραφές UI: 
 
 
 Τύπος: «Σχέδιο σχολείου» αντί για «Σχέδιο σχολικής βιβλιοθήκης». Λογικά Λάθη: «Παλιό Σύστημα» αντί για «Παλιό Σύστημα». Το αποτέλεσμα Το GPT-4 το συνθλίβει αυτό, προσδιορίζοντας τις γραπτές συνθήκες που χάθηκαν από τους εικαστικούς ελέγχους. 
 
 
 Τα δεδομένα: Όταν αναλύσαμε τις αναθεωρήσεις του εγχειριδίου κώδικα, διαπιστώσαμε ότι το 87% των σχολίων αναθεώρησης σχετίζονταν με απλή φράση, τυπογραφία ή έλλειψη σαφήνειας. Η ροή εργασίας του "AI Reviewer": Με την εκτέλεση προδιαγραφών μέσω του GPT-4 πριν από την ανθρώπινη αναθεώρηση, θα μπορούσαμε να εξαλείψουμε το 87% του θορύβου. 
 
 Χρησιμοποιήστε τα LLMs ως αναθεωρητή "Tier 0" για τεκμηρίωση για να καθαρίσετε τον θόρυβο πριν το δει ένας άνθρωπος. Χρησιμοποιήστε τα LLMs ως αναθεωρητή "Tier 0" για τεκμηρίωση για να καθαρίσετε τον θόρυβο πριν το δει ένας άνθρωπος. Takeaway: Φάση 2: Γενετική κωδικοποίηση (Java & Maven) Στη συνέχεια μετακόμισα στο Ζητήσαμε από την τεχνητή νοημοσύνη να δημιουργήσει κώδικα Java για συγκεκριμένες λειτουργίες βοηθητικών υπηρεσιών. PG (Programming) Phase Ετικέτα: Boilerplate & Dependencies Ζητήσαμε ένα πρόγραμμα για τον υπολογισμό ημερομηνιών χρησιμοποιώντας τυπικές βιβλιοθήκες Java.   Prompt: "Δημιουργήστε ένα πρόγραμμα Java που εισάγει έναν αριθμό και υπολογίζει την ημερομηνία X ημέρες από την ημερομηνία του συστήματος." AI Output: import java.time.LocalDate;
import java.util.Scanner;

public class Main {
    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        System.out.println("How many days to calculate?");
        int days = scanner.nextInt();

        LocalDate today = LocalDate.now();
        LocalDate futureDate = today.plusDays(days);

        System.out.println(days + " days later is " + futureDate);
    }
}
 Χρησιμοποίησε σωστά το java.time.LocalDate (σύγχρονη Java) αντί για το εξαντλημένο java.util.Date. Έχει επίσης δημιουργηθεί με επιτυχία έγκυρη Όταν του ζητήσαμε να ελέγξει τις εκδόσεις βιβλιοθήκης: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Ετικέτα: «Το χάσμα του πλαισίου» Προσπαθήσαμε να τροφοδοτήσουμε δύο ιδιόκτητα αρχεία πηγής Java και του ζητήσαμε να επαναπροσδιορίσει μια συγκεκριμένη μέθοδο. 
 
 
 Αποτέλεσμα : Η αποτυχία. Γιατί: Η τεχνητή νοημοσύνη ψευδαίσθησε μεθόδους που δεν υπήρχαν στις προσαρμοσμένες τάξεις μας επειδή δεν είχαν το πλήρες πλαίσιο του έργου (το "Class Path"). Το GPT-4 είναι εξαιρετικό σε τυπικές βιβλιοθήκες (JDK, Apache Commons) αλλά τρομερό σε ιδιοκτησιακό "Spaghetti Code" εκτός αν παρέχετε το Το δέντρο της εξάρτησης στην ταχύτητα. Crucial Finding: Ολόκληρη Φάση 3: Το «Turing Test» για τους Συγγραφείς Δοκιμάσαμε κάτι σάπιο. τροφοδοτήσαμε τον κώδικα AI με λεπτομερή σφάλματα σύνταξης για να δούμε αν θα μπορούσε να τα ξεφορτωθεί καλύτερα από έναν μεταγλωττιστή. Το τεστ: Χρησιμοποιήσαμε iff (ένα typpo) αντί για if. 
 
 
 Συγγραφέας: Ρίχνει ένα σφάλμα σύνταξης. AI: Προσδιόρισε σωστά ότι το iff δεν είναι έγκυρη Java, αλλά πρότεινε ότι θα μπορούσε να είναι ένα όνομα μεταβλητής αν όχι ένα τυπογραφείο. Το τεστ: Το τροφοδοτήσαμε με ένα λογικό σφάλμα όπου μια προϋπόθεση δεν θα μπορούσε ποτέ να είναι αληθινή. 
 
 Α: Δεν κατάφερα να το πιάσω. 
 
 Ελέγξτε την πραγματικότητα: GenAI δεν είναι ένας μεταγλωττιστής. Μαντέψει την πιθανότητα των tokens. Είναι εξαιρετική στην εξήγηση γιατί ένα σφάλμα μπορεί να συμβεί, αλλά δεν μπορεί να εγγυηθεί την ορθότητα του κώδικα όπως ένα εργαλείο στατικής ανάλυσης (SonarQube) μπορεί. GenAI δεν είναι ένας μεταγλωττιστής. Μαντέψει την πιθανότητα των tokens. Είναι εξαιρετική στην εξήγηση γιατί ένα σφάλμα μπορεί να συμβεί, αλλά δεν μπορεί να εγγυηθεί την ορθότητα του κώδικα όπως ένα εργαλείο στατικής ανάλυσης (SonarQube) μπορεί. Έλεγχος της πραγματικότητας: Έλεγχος της πραγματικότητας: Φάση 4: Η γενιά των δοκιμαστικών περιπτώσεων (η ζώνη κινδύνου) Αυτό ήταν το πιο κρίσιμο μέρος του πειράματος. ζητήσαμε από την AI να δημιουργήσει Για τον υπολογισμό της ημερομηνίας παραπάνω. Test Cases   Prompt: "Γενίστε περιπτώσεις δοκιμών για το πρόγραμμα ημερομηνίας." AI Result (Initial): Δημιούργησε γενικές περιπτώσεις: 
 
 
 
 Εισαγωγή : 5 Εισαγωγή : 10 Εισαγωγή : -1 Δεν παρείχε το Γιατί; Επειδή η έξοδος εξαρτάται από το LocalDate.now(), το οποίο αλλάζει κάθε μέρα. The Problem: Αναμενόμενη παραγωγή The Prompt Engineering Fix: Για να πάρουμε χρήσιμες περιπτώσεις δοκιμών, έπρεπε να είμαστε σαφείς σχετικά με τις μεταβλητές. 
 
 Επεξεργασμένη προειδοποίηση: "Υποθέστε ότι η μεταβλητή σήμερα είναι '2024-06-15'. Επεξεργασμένη προειδοποίηση: "Υποθέστε ότι η μεταβλητή σήμερα είναι '2024-06-15'. Αναλυτικά ταχύτερα: AI Result (Fixed): 
 
 
 
 
 
 
 
 
 
 
 Test Case 
 Input (Days) 
 Expected Output (Date) 
 
 
 
 
 Case 1 
 1 
 2025-06-16 
 
 
 
 
 Case 2 
 10 
 2025-06-25 
 
 
 
 
 Case 3 
 0 
 2025-06-15 
 
 
 
 
 Case 4 
 -5 
 2025-06-10 Περίπτωση 1 1 Το 2019-06-16 Περίπτωση 2 10 Το 2025-06-25 Υπόθεση 3 0 Το 2025-06-15 Περίπτωση 4 -5 Το 2025-06-10 Η ροή εργασίας για τον εκσυγχρονισμό των κληρονομικών συστημάτων Με βάση την επαλήθευσή μας, εδώ είναι η αρχιτεκτονική που πρέπει να υιοθετήσετε κατά την εφαρμογή της AI στην ανάπτυξη παραδοσιακών προϊόντων. Συμπέρασμα: Η πραγματικότητα του «37% Boost» Οι ερευνητές ισχυρίζονται ότι a Η εσωτερική μας επαλήθευση υποστηρίζει αυτό, αλλά με προειδοποίηση. 37% productivity increase Η παραγωγικότητα δεν προέκυψε από την τεχνητή νοημοσύνη που έγραψε τέλειο πολύπλοκο κώδικα. . shifting the burden of the mundane 
 
 
 
 Η τεχνητή νοημοσύνη χειρίστηκε τον έλεγχο γραμματικής / τύπου (87% των ζητημάτων), επιτρέποντας στους ανθρώπους να επικεντρωθούν στην αρχιτεκτονική. Boilerplate: Η AI χειρίστηκε τις τυπικές εισαγωγές και εγκαταστάσεις της Java. Δοκιμές: Η τεχνητή νοημοσύνη δημιούργησε τη δομή των περιπτώσεων δοκιμών, ακόμη και αν οι άνθρωποι έπρεπε να επαληθεύσουν τη λογική. Η καταδίκη: Εάν διαχειρίζεστε ένα κληρονομικό σύστημα, μην περιμένετε από το GPT-4 να ξαναγράψει τον πυρήνα του κινητήρα σας μέσα στη νύχτα.Χρησιμοποιήστε το για να καθαρίσετε την τεκμηρίωση σας, να δημιουργήσετε τα δοκιμαστικά σας σκελετά και να εξηγήσετε αυτά τα κρυπτογραφικά μηνύματα σφάλματος 10 ετών. ΤΙ ΕΙΝΑΙ ΕΠΟΜΕΝΟ; Το επόμενο σύνορο είναι Με την ευρετηρίαση των 500 σελίδων των εγχειριδίων PDF σε μια βάση δεδομένων Vector, στοχεύουμε να δώσουμε στην AI το «Περιεχόμενο» που έχασε στη Φάση 2, επιτρέποντάς της να κατανοήσει τις ιδιοκτησιακές μεθόδους καθώς και να κατανοήσει την τυπική Java. RAG (Retrieval-Augmented Generation)

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Αυτός ο ήχος παράγεται στην αρχική γλώσσα της ιστορίας!

Αναζωογόνηση κώδικα κληρονομιάς με GPT-4: ένας πρακτικός οδηγός για την αναπαραγωγή και τη δοκιμή με βοήθεια AI

About Author

ΣΧΟΛΙΑ

ΚΡΕΜΑΣΤΕ ΕΤΙΚΕΤΕΣ

ΑΥΤΟ ΤΟ ΑΡΘΡΟ ΠΑΡΟΥΣΙΑΣΤΗΚΕ ΣΤΟ

Related Stories

The Pros and Cons of Electric Cars

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

OpenAI Subsidiaries Accused of Undermining Partnership Agreement with Musk

The DevOps Writing Contest by Aptible: Round 4 Winners Announced!

The Pros and Cons of Electric Cars

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

OpenAI Subsidiaries Accused of Undermining Partnership Agreement with Musk

The DevOps Writing Contest by Aptible: Round 4 Winners Announced!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps