Він тримає все разом, але ніхто не хоче доторкнутися до нього. Legacy code is the dark matter of the software universe. Якщо ви працюєте в корпоративному програмному забезпеченні, ви знаєте боротьбу: монолітні Java-додатки, 500-сторінкові дизайнерські документи (PDF-документи!), і "спагетті-код", який розбивається, якщо ви дихаєте неправильно. Більшість інструкцій з AI покажуть вам, як будувати Про Apps. Новий But can GenAI actually handle the grit of a 10-year-old legacy system? У цьому експерименті ми взяли масивну, реальну систему управління бібліотеками (будували на старих стандартах Java) і провели стрес-тестування. Протягом всього життєвого циклу розробки програмного забезпечення (SDLC) ми не просто просили його «писати код», ми намагалися використовувати його для специфікацій інтерфейсу користувача, управління залежностями та створення складних випробувальних випадків. GPT-4 Ось, що спрацювало, що не вдалося, і точний робочий процес, який ви можете використовувати для модернізації своїх старих проектів. Виклик: проблема «кровного тестування» Наш предмет був конкретний модуль бібліотечної системи (WebiLis/iLiswing). Команда зіткнулася з класичною корпоративною проблемою: 
 
 
 
 Складні конфігурації: програмне забезпечення працює в різноманітних середовищах, що призводить до вибуху тестових моделей. Різниця у навичках: передача знань офшорним глобальним центрам доставки (GDC) призвела до неправильного тлумачення специфікацій дизайну. Огляд втоми: старші розробники проводили години, спіймаючи типи, а не фіксуючи логіку. Ми інтегрували внутрішній обкладинник ChatAI (підпорядкований GPT-4) для того, щоб побачити, чи можемо ми автоматизувати біль. Фаза 1: Плоди з низьким висновком (UI та документація) Перш ніж торкнутися коду, ми подивилися на фазу проектування.Ми підготували списки вимог до AI і попросили його генерувати . UI Design Specifications Експеримент Ми навмисно ввели помилки в специфікації UI: 
 
 
 Тип: «Шкільна будівля» замість «Шкільна бібліотека». Логічні помилки: «Старі системи» замість «Старі системи». Результат GPT-4 зламав це.Він визначив контекстні типи, які пропустили шрифти. 
 
 
 Дані: Коли ми проаналізували наші ручні огляди коду, ми виявили, що 87% коментарів були пов'язані з простою фразою, типом або відсутністю чіткості. Робочий потік "AI Reviewer": запускаючи специфікації через GPT-4 перед переглядом людиною, ми могли б усунути 87% шуму. 
 
 Використовуйте LLM як рецензента "Tier 0" для документації, щоб очистити шум, перш ніж людина бачить його. Не витрачайте час старшого інженера на граматику.Використовуйте LLM як рецензента "Tier 0" для документації, щоб очистити шум, перш ніж людина бачить його. Takeaway: Етап 2: генеративне кодування (Java & Maven) Потім ми переїхали до Ми попросили AI генерувати код Java для конкретних функцій утиліти. PG (Programming) Phase Вікісховище: Boilerplate & Dependencies Ми попросили програму для розрахунку дат за допомогою стандартних бібліотек Java.   Prompt: «Створюйте програму Java, яка вводить число і обчислює дату X днів з дати системи». 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);
    }
}
 Він правильно використовував java.time.LocalDate (сучасна Java) замість знеціненого java.util.Date. Він також успішно генерується дійсним Коли ми попросили його перевірити бібліотечні версії: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Невдача: «Контекстний розрив» Ми спробували надіслати йому два власні Java-джерелові файли і попросили його переробити певний метод. 
 
 
 Результат : Невдача Чому: штучний інтелект галюцинував методи, які не існували в наших індивідуальних класах, тому що у нього не було повного контексту проекту ( "Класний шлях"). GPT-4 відмінно підходить для стандартних бібліотек (JDK, Apache Commons), але жахливо підходить для власного «Spaghetti Code», якщо ви не надаєте Дерево залежності швидко зникає. Crucial Finding: Повний Фаза 3: «Тюрінговий тест» для компіляторів Ми підготували код AI з тонкими синтаксичними помилками, щоб побачити, чи зможе він дебютувати їх краще, ніж компілятор. Тест: Ми використовували iff (типо) замість if. 
 
 
 Компілятор: виводить синтаксичну помилку. AI: Правильно визначили, що iff не є дійсним Java, але припустили, що це може бути перемінним ім'ям, якщо не типом. Тест: Ми наділили його логічним помилкою, де одна умова ніколи не може бути правдою. 
 
 А. Не вдалося його зловити. 
 
 Перевірка реальності: GenAI не є компілятором. Він здогадується про ймовірність токенів. Він відмінно пояснює, чому може статися помилка, але він не може гарантувати коректність коду, як статичний інструмент аналізу (SonarQube) може. GenAI не є компілятором. Він вгадує ймовірність токенів. Він відмінно пояснює, чому може статися помилка, але він не може гарантувати коректність коду, як статичний аналітичний інструмент (SonarQube). Перевірка реальності: Перевірка реальності: Фаза 4: Випробувальний випадок генерації (Зона небезпеки) Це була найкритичніша частина експерименту.Ми попросили AI створити Програма розрахунків вище. Test Cases   Prompt: «Створення випробувальних випадків для програми дати». Результат AI (початковий): Він генерував загальні випадки: 
 
 
 
 Вхід: 5 Вхід: 10 Вхід: -1 Вона не забезпечила Чому? тому що вихід залежить від LocalDate.now(), який змінюється щодня. The Problem: Очікуваний вихід Інженерний виправлення: Щоб отримати корисні випробувальні випадки, нам довелося бути явним щодо змінних. 
 
 Перероблена промова: "Припустимо, що змінна сьогодні є '2024-06-15'. Створюйте 4 тестові шаблони для змінних днів". "Припустимо, що змінна сьогодні є '2024-06-15'. Створюйте 4 тестові шаблони для змінних днів." Розшифровується швидкість: Розшифровується швидкість: 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 Випадок 1 1 2019-06-16 Ужгород Випадок 2 10 2025-06-25 Ужгород Випадок 3 0 2025-06 - 15 травня Випадок 4 -5 2025-06-10 Ужгород Робочі процеси для модернізації спадкових систем На основі нашої перевірки, ось архітектура, яку ви повинні прийняти при застосуванні AI до розробки традиційних продуктів. Висновок: Реальність «37% Boost» Вчені стверджують, що а Наша внутрішня перевірка підтримує це, але з застереженням. 37% productivity increase Продуктивність не прийшла від інтелектуального інтелекту, який писав ідеальний складний код. . shifting the burden of the mundane 
 
 
 
 Відгуки: штучний інтелект опрацював перевірку граматики / типу (87% питань), дозволяючи людям зосередитися на архітектурі. Boilerplate: AI займався стандартним імпортом та налаштуванням Java. Тести: штучний інтелект генерував структуру випробувальних випадків, навіть якщо людям довелося перевірити логіку. Вирок: Якщо ви керуєте спадкоємною системою, не очікуйте, що GPT-4 перепише ваш основний двигун за ніч. Використовуйте його, щоб очистити вашу документацію, створити ваші тестові скелети та пояснити ці криптичні 10-річні повідомлення про помилку. Що буде далі? Наступним кордоном є Індексуючи наші 500 сторінок посібників PDF в базу даних векторів, ми прагнемо дати AI "Контекст", який він пропустив у фазі 2, дозволяючи йому зрозуміти власні методи, а також розуміти стандартну 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

Це аудіо створено мовою оригіналу історії!

Відродження спадкового коду з GPT-4: практичний посібник до рефакторизації та тестування за допомогою AI

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps