ការកំណត់កូដអាសអាភាសជាមួយ GPT-4: គោលដៅសម្រាប់ការ refactoring និងការធ្វើតេស្តដោយ AI-assisted

វាគឺជាការរក្សាទុកទាំងអស់រួមគ្នាប៉ុន្តែគ្មានមនុស្សចង់ទាក់ទាញវា។ Legacy code is the dark matter of the software universe. ប្រសិនបើអ្នកធ្វើការនៅក្នុងកម្មវិធីវិជ្ជាជីវៈអ្នកដឹងអំពីការលំបាក: កម្មវិធី Java monolithic, សៀវភៅរចនាសម្ព័ន្ធ 500 សៀវភៅ (PDFs!), និង "កូដ spaghetti" ដែលនឹងបាត់បន្ថយប្រសិនបើអ្នកចង់បាត់បន្ថយវា. លក្ខណៈពិសេសបច្ចុប្បន្នភាពបច្ចុប្បន្នភាពបច្ចុប្បន្នភាព apps. ដំណឹង But can GenAI actually handle the grit of a 10-year-old legacy system? នៅក្នុងបទពិសោធន៍នេះយើងបានប្រើប្រព័ន្ធគ្រប់គ្រងសៀវភៅដ៏ធំទូលំទូលាយនៅក្នុងពិភពលោកពិតប្រាកដ (រចនាឡើងនៅលើឧបករណ៍ Java ដំបូង) និងការធ្វើតេស្តអារម្មណ៍។ ការអភិវឌ្ឍន៍កម្មវិធី (SDLC) ទាំងអស់។ យើងមិនគ្រាន់តែសួរវាដើម្បី "សរសេរកូដ" យើងបានព្យាយាមដើម្បីប្រើវាសម្រាប់ឯកសារ UI, ការគ្រប់គ្រងការផ្លាស់ប្តូរនិងការបង្កើតប្រសិទ្ធិភាពសាកល្បងដែលមានប្រសិទ្ធិភាព។ GPT-4 នេះគឺជាអ្វីដែលបានធ្វើការ,អ្វីដែលមិនបានធ្វើការ, និងដំណើរការការងារដែលអ្នកអាចប្រើដើម្បីធ្វើឱ្យប្រសើរឡើងនូវគម្រោងដែលមានប្រសិទ្ធិភាពរបស់អ្នក។ គោលបំណង: គោលបំណងនៃការ "ការធ្វើតេស្តខ្មៅ" សម្ភារៈរបស់យើងគឺជាម៉ូឌុលឯកទេសនៃប្រព័ន្ធសៀវភៅ (WebiLis / iLiswing) ។ ក្រុមអ្នកជំនាញមានបញ្ហាសម្រាប់បញ្ហាសម្រាប់អាជីវកម្មធម្មតា: កម្មវិធីនេះធ្វើដំណើរនៅក្នុងបរិស្ថានផ្សេងគ្នានៃប្រភេទផ្សេងគ្នានៃការធ្វើតេស្ត។ កម្មវិធីនេះធ្វើដំណើរនៅក្នុងបរិស្ថានផ្សេងគ្នានៃប្រភេទផ្សេងគ្នានៃប្រភេទ។ ការផ្លាស់ប្តូរបទពិសោធន៍ដល់មជ្ឈមណ្ឌលផ្គត់ផ្គង់ទូទាំងពិភពលោក (GDCs) បានធ្វើឱ្យមានការពន្យល់លម្អិតនៃឯកសាររចនា។ ការពិនិត្យឡើងវិញការបាត់បង់: អ្នកផ្គត់ផ្គង់ខ្ពស់បានចំណាយពេលវេលានៅក្នុងការកាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បង់។ We integrated an internal ChatAI wrapper (powered by GPT-4) to see if we could automate the pain away. ដំណោះស្រាយ 1: The Low-Hanging Fruit (UI & Documentation) មុនពេលដោះស្រាយកូដយើងបានមើលដំណើរការរចនាសម្ព័ន្ធ។ យើងបានផ្គត់ផ្គង់សៀវភៅតម្រូវការសម្ភារៈអេឡិចត្រូនិចនិងទម្រង់វាដើម្បីបង្កើត . UI Design Specifications ការធ្វើតេស្ត យើងបានបង្កើតគោលបំណងក្នុងការបញ្ចូលគោលបំណងនៃការបញ្ចូលគោលបំណង: សៀវភៅសៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ លក្ខណៈពិសេសនៃ "ប្រព័ន្ធធម្មតា" នៅពេលដែល "ប្រព័ន្ធធម្មតា" នៅពេលដែល "ប្រព័ន្ធធម្មតា" លទ្ធផល GPT-4 បានកាត់បន្ថយវា។ វាត្រូវបានកំណត់នូវការសរសេរប្រសិនបើអ្នកត្រួតពិនិត្យការសរសេរបានបាត់បង់។ ទិន្នន័យ: នៅពេលដែលយើងពិនិត្យឡើងវិញលេខកូដបន្ទាត់របស់យើងយើងបានរកឃើញថា 87% នៃការពិនិត្យឡើងវិញត្រូវបានទាក់ទងនឹងការសរសេរងាយស្រួល, ការបោះពុម្ព, ឬការមិនមានភាពច្បាស់លាស់។ គ្រាន់តែ 13% គឺជាបញ្ហានៃការរចនាសម្ព័ន្ធទូលំទូលាយ។ ការធ្វើដំណើរការងារ "AI Reviewer" ដោយធ្វើដំណើរឧបករណ៍តាមរយៈ GPT-4 មុនពេលការធ្វើដំណើរការរបស់មនុស្សយើងអាចបាត់បន្ថយ 87% នៃខ្សែភាពយន្ត។ ទោះជាយ៉ាងណាក៏ដោយអ្នកគួរតែប្រើ LLMs ដូចជាអ្នកគួរតែរកឃើញ "Tier 0" សម្រាប់ឯកសារដើម្បីត្រួតពិនិត្យឡើងវិញការសរសេរមុនពេលដែលមនុស្សមើលឃើញវា។ Don't waste senior engineer time on grammar. Use LLMs as a "Tier 0" reviewer for documentation to clean up the noise before a human sees it. Takeaway: ជំហានទីពីរ: ការ coding Generative (Java & Maven) បន្ទាប់មកយើងបានផ្លាស់ប្តូរទៅ យើងបានទាមទារ AI ដើម្បីបង្កើតកូដ Java សម្រាប់បច្ចេកទេសឯកទេស។ PG (Programming) Phase លទ្ធផល: Boilerplate & Dependencies យើងបានសរសេរកម្មវិធីមួយដើម្បីកំណត់ថ្ងៃដោយប្រើសៀវភៅ Java ដែលជាទូទៅ។ Prompt: "ការបង្កើតកម្មវិធី Java ដែលបានបញ្ចូលចំនួននិងកំណត់ថ្ងៃ X ពីថ្ងៃប្រព័ន្ធ។" 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); } } វាបានប្រើ java.time.LocalDate ដូចគ្នានេះមិនមែនជា java.util.Date ។ វាត្រូវបានបង្កើតឡើងដោយមានប្រសិទ្ធិភាព នៅពេលដែលយើងបានសួរវាដើម្បីត្រួតពិនិត្យកំណត់សៀវភៅ: Maven Dependencies #Xml org.apache.httpcomponents httpclient 4.5.13 គោលបំណងនៃ "context gap" យើងបានធ្វើតេស្តដើម្បីផ្គត់ផ្គង់វាពីឯកសារប្រភព Java ដែលមានគោលបំណងនិងទម្រង់វាដើម្បី refactor វិធីមួយ។ លទ្ធផល: ការជោគជ័យ ហេតុអ្វី: គោលបំណងរបស់ AI ដែលមិនមាននៅក្នុងគម្រោងរបស់យើងដោយសារតែគម្រោងរបស់យើងមិនមានគោលបំណងពេញលេញរបស់គម្រោងនេះ (គម្រោង "Class Path") ។ GPT-4 គឺស្រស់ស្អាតនៅក្នុងសៀវភៅទូទៅ (JDK, Apache Commons) ប៉ុន្តែស្រស់ស្អាតនៅក្នុង "កូដ Spaghetti" ដោយគ្មានការផ្តល់អនុសាសន៍របស់អ្នក dependency tree in the prompt. Crucial Finding: ទាំងអស់ ជំហានទី 3: ការ "ការធ្វើតេស្ត Turing" សម្រាប់ក្រុមហ៊ុន compilers យើងបានផ្គត់ផ្គង់លេខកូដ AI ជាមួយនឹងការបញ្ជាក់អាសយដ្ឋានល្អឥតខ្ចោះដើម្បីមើលឃើញថាមិនវាអាចដោះស្រាយវាបានល្អជាងការដោះស្រាយ។ ការធ្វើតេស្ត: យើងបានប្រើ iff ( a typo ) вместо if ។ កម្មវិធីបញ្ជា: ការបញ្ជាការបញ្ជា syntax error ។ AI: បានបញ្ជាក់យ៉ាងត្រឹមត្រូវថា iff គឺមិនមែនជា Java ដែលមានប្រសិទ្ធិភាពទេប៉ុន្តែបានបង្ហាញថាវាអាចជាឈ្មោះប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហ ការធ្វើតេស្ត: យើងបានផ្គត់ផ្គង់វាជាការបង្វិលប្រវត្តិសាស្រ្តដែលមានស្ថានភាពមិនអាចពិតទេ។ អី: មិនបានទទួលបានវា។ ការត្រួតពិនិត្យពិតប្រាកដ: GenAI គឺមិនមែនជាក្រុមហ៊ុនកែប្រែ។ វាគឺជាការជឿទុកចិត្តនៃ tokens ។ វាគឺជាការល្អប្រសើរឡើងក្នុងការបង្ហាញពីអ្វីដែលជាការបញ្ហានេះអាចកើតឡើងទេប៉ុន្តែវាមិនអាចធានាឱ្យមានភាពត្រឹមត្រូវនៃកូដដូចជាឧបករណ៍វិភាគស្ថាន (SonarQube) អាច។ ការត្រួតពិនិត្យពិតប្រាកដ: GenAI គឺមិនមែនជាក្រុមហ៊ុនកែប្រែ។ វាគឺជាការជឿទុកចិត្តនៃ tokens ។ វាគឺជាការល្អប្រសើរឡើងក្នុងការបង្ហាញពីអ្វីដែលជាការបញ្ហានេះអាចកើតឡើងទេប៉ុន្តែវាមិនអាចធានាឱ្យមានភាពត្រឹមត្រូវនៃកូដដូចជាឧបករណ៍វិភាគស្ថាន (SonarQube) អាច។ ការត្រួតពិនិត្យពិត: ដំណោះស្រាយ 4: ការធ្វើតេស្ត Case Generation (The Danger Zone) នេះគឺជាផ្នែកសំខាន់បំផុតនៃបទពិសោធន៍។ យើងបានទាក់ទងនឹង AI ដើម្បីបង្កើត សម្រាប់កម្មវិធីទិន្នន័យនៅលើ។ Test Cases Prompt: "ប្រព័ន្ធប្រតិបត្តិការទូទាត់ទូទាត់ទូទាត់ទូទាត់" លទ្ធផល AI (ការចាប់ផ្តើម): វាត្រូវបានបង្កើតបញ្ហាជាទូទៅ: ដំណឹង: 5 ដំណឹង: 10 ទិន្នផល: -1 វាមិនបានផ្តល់នូវ ហេតុអ្វី? ដោយសារតែផលិតផលនេះត្រូវបានផ្អែកលើ LocalDate.now(), ដែលប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រ The Problem: ផលិតផលដែលគួរឱ្យចាប់អារម្មណ៍ The Prompt Engineering Fix: To get useful test cases, we had to be explicit about variables. គោលបំណងល្អប្រសើរឡើង: "គិតថាទំហំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ គោលបំណងល្អប្រសើរឡើង: "គិតថាទំហំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ លក្ខណៈពិសេស RAPID: 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 លក្ខខណ្ឌ 1 1 ឆ្នាំ 2025-06-16 ដំណឹង 2 10 ឆ្នាំ 2025-06-25 លក្ខខណ្ឌ 3 0 ឆ្នាំ 2025-06-15 គំនិត 4 -5 ឆ្នាំ 2025-06-10 ការធ្វើដំណើរការសម្រាប់ការកសាងប្រព័ន្ធបច្ចុប្បន្នភាព Legacy ដោយផ្អែកលើការត្រួតពិនិត្យរបស់យើង, នេះគឺជាអគ្គិសនីដែលអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្លាយជាអ្នកគួរក្បាល។ លទ្ធផលនៃការ “37% Boost” អ្នកស្រាវជ្រាវបាននិយាយថា a ការត្រួតពិនិត្យផ្ទាល់ខ្លួនរបស់យើងអនុញ្ញាតឱ្យការត្រួតពិនិត្យផ្ទាល់ខ្លួនរបស់យើងប៉ុន្តែជាមួយនឹងការអនុម័ត។ 37% productivity increase ការផលិតផលនេះមិនមកពីការសរសេរកូដដែលមានភាពងាយស្រួលល្អឥតខ្ចោះ។ វាមកពី . shifting the burden of the mundane លក្ខណៈពិសេស: AI បានដោះស្រាយការត្រួតពិនិត្យប្លាស្ទិច / ប្រភេទ (87% នៃបញ្ហា) ដែលអនុញ្ញាតឱ្យមនុស្សផ្តោតលើការរចនាសម្ព័ន្ធ។ Boilerplate: AI បានគ្រប់គ្រងការនាំចូលនិងដំឡើង Java ដែលជាទូទៅ។ ការធ្វើតេស្ត: កុំព្យូទ័រ AI បានបង្កើតរចនាសម្ព័ន្ធនៃការធ្វើតេស្តប្រសិនបើមនុស្សគួរតែធ្វើតេស្តប្រវត្តិសាស្រ្ត។ ទិន្នន័យ: ប្រសិនបើអ្នកគ្រប់គ្រងប្រព័ន្ធប្រវត្តិសាស្រ្តប្រសិនបើអ្នកមិនគិតថា GPT-4 នឹងសរសេរម៉ាស៊ីនសំខាន់របស់អ្នកនៅពេលបច្ចុប្បន្ន។ ប្រើវាដើម្បីសរសេរឯកសាររបស់អ្នកដើម្បីបង្កើតការធ្វើតេស្តរបស់អ្នកនិងពន្យល់នូវប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវា តើអ្វីជាបន្ទាប់? ទ្រង់ដារបន្ទាប់នេះគឺ By indexing our 500 pages of PDF manuals into a Vector Database, we aim to give the AI the “Context” it missed in Phase 2, allowing it to understand proprietary methods as well as it understands standard Java. RAG (Retrieval-Augmented Generation)