Het houdt alles bij elkaar, maar niemand wil het aanraken. Legacy code is the dark matter of the software universe. Als je in enterprise software werkt, ken je de strijd: monolithische Java-toepassingen, 500-pagina ontwerpdocumenten (PDF's!), en "spaghetti code" die breekt als je er verkeerd in ademt. De meeste AI-tutorials laten je zien hoe je moet bouwen van apps. Nieuw But can GenAI actually handle the grit of a 10-year-old legacy system? In dit experiment hebben we een massief, real-world bibliotheekbeheersysteem (gebouwd op oudere Java-standaarden) en getest op stress. We vroegen het niet alleen om "code te schrijven", we probeerden het te gebruiken voor UI-specificaties, afhankelijkheidsbeheer en complexe testcase-generatie. GPT-4 Hier is wat werkte, wat mislukte en de exacte workflow die u kunt gebruiken om uw oude projecten te moderniseren. De uitdaging: het probleem van de "bloede test" Ons onderwerp was een specifieke module van een bibliotheksysteem (WebiLis/iLiswing). 
 
 
 
 Complexe configuraties: De software werkt in verschillende omgevingen, wat leidt tot een explosie van testpatronen. Skill Gap: overdracht van kennis naar offshore Global Delivery Centers (GDC) resulteerde in verkeerde interpretaties van ontwerp-specificaties. Overzicht Vermoeidheid: Senior ontwikkelaars besteden uren aan het vangen van typos in plaats van logica te fixeren. We hebben een interne ChatAI wrapper (aangedreven door GPT-4) geïntegreerd om te zien of we de pijn kunnen automatiseren. Fase 1: De laaghangende vrucht (UI en documentatie) Voordat we de code aanraken, hebben we gekeken naar de ontwerpfase.We voedden de AI-rauwe vereistenlijsten en vroegen het om te genereren . UI Design Specifications Het experiment We hebben opzettelijk fouten ingevoerd in de UI-specificaties: 
 
 
 Typos: “School Building” in plaats van “School Library”. Logische fouten: “Oud systeem” in plaats van “Oud systeem”. Het resultaat GPT-4 verpletterde dit. het identificeerde contextuele typos die spellcheckers gemist. 
 
 
 De gegevens: Toen we onze handmatige code-recensies analyseerden, ontdekten we dat 87% van de beoordelingsopmerkingen gerelateerd was aan eenvoudige uitdrukkingen, typos of gebrek aan duidelijkheid. De "AI Reviewer" Workflow: Door specs door GPT-4 uit te voeren vóór de menselijke beoordeling, konden we 87% van het geluid elimineren. 
 
 Gebruik LLM's als een "Tier 0" beoordelaar voor documentatie om het lawaai op te ruimen voordat een mens het ziet. Gebruik LLM's als een "Tier 0" beoordelaar voor documentatie om het lawaai op te ruimen voordat een mens het ziet. Fase 2: Generatieve codering (Java en Maven) Vervolgens verhuisden we naar de We vroegen de AI om Java-code te genereren voor specifieke utility functies. PG (Programming) Phase Nieuws: Boilerplate & Dependencies We vroegen om een programma om data te berekenen met behulp van standaard Java-bibliotheken.   Prompt: "Een Java-programma maken dat een getal invoert en de datum X dagen berekent vanaf de systeemdatum." 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);
    }
}
 Het correct gebruikt java.time.LocalDate (moderne Java) in plaats van de afgedankte java.util.Date. Het is ook succesvol gegenereerd geldig Toen we hem vroegen om bibliotheekversies te controleren: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 De ‘context gap’ We probeerden het twee eigen Java-bronbestanden te voeden en vroegen het om een specifieke methode te refactoren. 
 
 
 Het resultaat: een mislukking Waarom: De AI hallucineerde methoden die niet bestonden in onze aangepaste klassen omdat het niet de volledige projectcontext had (de "Class Path"). GPT-4 is geweldig bij standaardbibliotheken (JDK, Apache Commons) maar verschrikkelijk bij proprietaire "Spaghetti Code" tenzij u de Afhankelijkheidsboom in de snelheid. Crucial Finding: gehele Fase 3: De "Turing test" voor compilers We voedden de AI-code met subtiele syntaxfouten om te zien of het ze beter kon debuggen dan een compiler. De test: We gebruikten iff (een typo) in plaats van if. 
 
 
 Compiler: Geeft een syntaxfout. AI: Correct geïdentificeerd dat iff niet geldig is Java, maar suggereerde dat het een variabele naam zou kunnen zijn, zo niet een typo. De test: We voeden het een logische bug waar een voorwaarde nooit waar zou kunnen zijn. 
 
 AI: Ik heb het niet kunnen vangen. 
 
 Reality Check: GenAI is geen compiler. Het raden de waarschijnlijkheid van tokens. Het is uitstekend in het verklaren waarom een fout kan gebeuren, maar het kan de correctheid van de code niet garanderen zoals een statische analyse tool (SonarQube) kan. Reality Check: GenAI is geen compiler. Het raden de waarschijnlijkheid van tokens. Het is uitstekend in het verklaren waarom een fout kan gebeuren, maar het kan de correctheid van de code niet garanderen zoals een statische analyse tool (SonarQube) kan. De werkelijkheid controleren: Fase 4: Test Case Generation (De Gevaarzone) Dit was het meest kritische deel van het experiment.We vroegen de AI om te genereren Voor de datum berekening programma hierboven. Test Cases   Prompt: "Testgevallen genereren voor het datumprogramma." AI Result (Initial): Het genereerde generieke gevallen: 
 
 
 
 Invoer: 5 Invoer: 10 Invoer: -1 Het leverde niet de Waarom? omdat de output afhankelijk is van LocalDate.now(), die elke dag verandert. The Problem: Verwachte output De Prompt Engineering Fix: Om nuttige testgevallen te krijgen, moesten we expliciet over variabelen zijn. 
 
 Refined Prompt: "Veronderstel dat de variabele vandaag '2024-06-15' is. Refined Prompt: "Veronderstel dat de variabele vandaag '2024-06-15' is. Verfijnde snelheid: 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 geval 1 1 2025-06 tot en met 2016 geval 2 10 Vanaf 2025-06-25 geval 3 0 Vanaf 2025-06-15 geval 4 -5 Vanaf 2025-06-10 De workflow voor het moderniseren van legacy systemen Op basis van onze verificatie is hier de architectuur die u moet aannemen bij het toepassen van AI op erfgoedproductontwikkeling. Conclusie: de realiteit van de "37% Boost" Onderzoekers beweren dat a Onze interne verificatie ondersteunt dit, maar met een waarschuwing. 37% productivity increase De productiviteit kwam niet van de AI die perfecte complexe code schreef. . shifting the burden of the mundane 
 
 
 
 Beoordelingen: AI beheerde de grammatica / typecontrole (87% van de problemen), waardoor mensen zich kunnen concentreren op architectuur. Boilerplate: AI beheerde de standaard Java-importen en installaties. Tests: AI genereerde de structuur van testcases, zelfs als mensen de logica moesten verifiëren. De uitspraak: Als u een ouderlijk systeem beheert, verwacht dan niet dat GPT-4 uw kernmotor overdag opnieuw schrijft. Gebruik het om uw documentatie schoon te maken, uw testskeletten te genereren en die cryptische 10-jarige foutberichten uit te leggen. Wat is het volgende? De volgende grens is Door onze 500 pagina's PDF-handleidingen te indexeren in een Vector Database, willen we de AI de "Context" geven die ze in Fase 2 gemist heeft, waardoor ze gepatenteerde methoden kunnen begrijpen en standaard Java begrijpt. 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

Deze audio wordt geproduceerd in de originele taal van het verhaal!

Herleven van erfeniscode met GPT-4: een praktische gids voor AI-geassisteerd refactoren en testen

About Author

OPMERKINGEN

LABELS

DIT ARTIKEL WERD GEPRESENTEERD IN

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps