Sve drži zajedno, ali nitko ga ne želi dotaknuti. Legacy code is the dark matter of the software universe. Ako radite u poduzetničkom softveru, znate borbu: monolitne Java aplikacije, 500-stranske dizajnerske dokumente (PDF-ovi!), i "spageti kod" koji se slomi ako ga pogrešno udahnete. Većina AI tutoriala će vam pokazati kako izgraditi Aplikacije Novi But can GenAI actually handle the grit of a 10-year-old legacy system? U ovom eksperimentu, uzeli smo ogroman, stvarni sustav upravljanja knjižnicama (izgrađen na starijim standardima Java) i testiran na stres. Tijekom cijelog životnog ciklusa razvoja softvera (SDLC) nismo ga samo tražili da "napise kod", već smo ga pokušali koristiti za specifikacije korisničkog interfejsa, upravljanje ovisnostima i kompleksnu generaciju testnih slučajeva. GPT-4 Evo što je uspjelo, što nije uspjelo i točan tok posla koji možete koristiti za modernizaciju svojih nasljednih projekata. Izazov: Problem "krvavog testa" Naš je predmet bio specifičan modul sustava knjižnice (WebiLis/iLiswing). 
 
 
 
 Kompleksne konfiguracije: Softver radi u različitim okruženjima, što dovodi do eksplozije testnih uzoraka. Razlika u vještinama: prijenos znanja offshore globalnim centrima za isporuku (GDC) rezultirao je pogrešnim tumačenjem specifikacija dizajna. Umor: Senior developeri su provodili sate hvatanjem tipova umjesto popravljanja logike. Integrirali smo unutarnji ChatAI omotač (napajan GPT-4) kako bismo vidjeli možemo li automatizirati bol. Faza 1: Nisko zavisno voće (UI i dokumentacija) Prije dodirivanja koda, pogledali smo fazu dizajna. hranili smo liste sirovih zahtjeva AI-a i tražili da generira . UI Design Specifications Eksperiment je Namjerno smo uveli pogreške u UI specifikacije: 
 
 
 Vrsta: „Školska zgrada“ umjesto „Školska knjižnica“. Logičke pogreške: "Stari sustav" umjesto "Stari sustav". Rezultati GPT-4 je to slomio. identificirao je kontekstualne tipove koje su čarobnjaci propustili. 
 
 
 Kada smo analizirali naše priručne recenzije koda, otkrili smo da je 87% komentara u recenziji povezano s jednostavnim frazama, tipovima ili nedostatkom jasnoće. Radni tijek "AI Reviewer": Provođenjem specifikacija kroz GPT-4 prije ljudskog pregleda mogli bismo eliminirati 87% buke. 
 
 Koristite LLM-ove kao "Tier 0" preglednik za dokumentaciju kako biste očistili buku prije nego što ga čovjek vidi. Koristite LLM-ove kao preglednik "Tier 0" za dokumentaciju kako biste očistili buku prije nego što ga čovjek vidi. Takeaway: Faza 2: Generativno kodiranje (Java i Maven) Nakon toga smo se preselili u Zamolili smo AI da generira Java kod za specifične funkcije korisnika. PG (Programming) Phase Uspjeh: Boilerplate & Dependencies Zatražili smo program za izračunavanje datuma pomoću standardnih Java knjižnica.   Prompt: "Stvorite Java program koji unosi broj i izračunava datum X dana od datuma sustava." 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);
    }
}
 Ispravno je koristio java.time.LocalDate (moderna Java) umjesto deprecated java.util.Date. Također je uspješno generiran validan Kad smo ga zamolili da provjeri knjižnice verzije: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Neuspjeh: „Razlika u kontekstu“ Pokušali smo ga hraniti dvjema vlastitim izvornim datotekama Java i zamolili ga da refactor određenu metodu. 
 
 
 Rezultati su: neuspjeh Zašto: AI je halucinirao metode koje nisu postojale u našim prilagođenim razredima jer nisu imale cijeli kontekst projekta ( "Class Path"). GPT-4 je odličan u standardnim knjižnicama (JDK, Apache Commons), ali strašan u vlasničkom "Spaghetti Kodu" osim ako ne pružite Ovisnost o drvetu na brzinu. Crucial Finding: Cijeli Faza 3: "Turing test" za kompilere Mi smo hranili AI kod s suptilnim greškama u sintaksi kako bismo vidjeli može li ih debugirati bolje od kompilera. Test: Koristili smo iff (tip) umjesto ako. 
 
 
 Kompilator: proizvodi grešku u sintaksi. AI: Ispravno je utvrđeno da iff nije validan Java, ali je predloženo da bi to moglo biti varijabilno ime ako ne i tip. Test: hranili smo ga logičkom pogreškom u kojoj uvjet nikada ne može biti istina. 
 
 AI: Nije uspio ga uhvatiti. 
 
 Reality Check: GenAI nije kompilator. Pogodi vjerojatnost žetona. Odličan je u objašnjenju zašto bi se mogla dogoditi pogreška, ali ne može jamčiti ispravnost koda kao što to može statički alat za analizu (SonarQube). GenAI nije kompilator. On nagađa vjerojatnost žetona. Odličan je u objašnjenju zašto se pogreška može dogoditi, ali ne može jamčiti ispravnost koda kao što to može statički alat za analizu (SonarQube). Provjera stvarnosti: Provjera stvarnosti: Faza 4: Proizvodnja testnih slučajeva (Zona opasnosti) Ovo je bio najkritičniji dio eksperimenta.Zatražili smo od AI-a da generira Izračunavanje datuma iznad. Test Cases   Prompt: "Generirajte testne slučajeve za datumski program." AI rezultat (Inicijalni): Generirao je generičke slučajeve: 
 
 
 
 Ulazak: 5 Ulazak: 10 Ulaznica: -1 Nije pružio Zašto? jer ishod ovisi o LocalDate.now(), koji se mijenja svaki dan. The Problem: Očekivani ishod Prompt Engineering Fix: Da bismo dobili korisne testne slučajeve, morali smo biti eksplicitni o promjenama. 
 
 Refined Prompt: "Predpostavimo da je varijabilna danas '2024-06-15'. Refined Prompt: "Predpostavimo da je varijabilna danas '2024-06-15'. Uspješno rafinirano: 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 Slučaj 1 1 2019-06-16 Slučaj 2 10 2026. – 25 godina Slučaj 3 0 2026. – 15 godina Slučaj 4 -5 2019-06-10 Radni tijek za modernizaciju nasljednih sustava Na temelju naše provjere, ovdje je arhitektura koju biste trebali usvojiti pri primjeni AI-a na razvoj nasljednih proizvoda. Zaključak: Realnost "37% Boost" Istraživači tvrde da a Naša unutarnja provjera to podržava, ali s upozorenjem. 37% productivity increase Produktivnost nije došla od AI pisanja savršenog složenog koda. . shifting the burden of the mundane 
 
 
 
 AI je upravljao provjerom gramatike/tipova (87% pitanja), dopuštajući ljudima da se usredotoče na arhitekturu. Boilerplate: AI se bavio standardnim uvozom i postavljanjem Java-e. Testiranje: AI je stvorio strukturu testnih slučajeva, čak i ako su ljudi morali provjeriti logiku. Ako upravljate nasljednim sustavom, nemojte očekivati da će GPT-4 prepisati vaš osnovni motor preko noći.Koristite ga za čišćenje dokumentacije, generiranje testnih skeletova i objašnjenje tih kriptskih 10-godišnjih poruka o pogrešci. Što je sljedeće? Sljedeća granica je Indeksiranjem naših 500 stranica PDF priručnika u vektorsku bazu podataka, nastojimo AI-u dati "kontekst" koji je propustio u fazi 2, omogućujući mu da razumije vlastite metode, kao i da razumije standardnu 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

Ovaj zvuk je proizveden na izvornom jeziku priče!

Oživljavanje nasljednog koda s GPT-4: Praktični vodič za AI-pomoćno refaktoriranje i testiranje

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps