Nó giữ mọi thứ lại với nhau, nhưng không ai muốn chạm vào nó. Legacy code is the dark matter of the software universe. Nếu bạn làm việc trong phần mềm doanh nghiệp, bạn biết cuộc đấu tranh: các ứng dụng Java đơn điệu, tài liệu thiết kế 500 trang (PDFs!), và "mã spaghetti" phá vỡ nếu bạn thở sai vào nó. Hầu hết các hướng dẫn AI cho bạn thấy cách xây dựng ứng dụng mới But can GenAI actually handle the grit of a 10-year-old legacy system? Trong thí nghiệm này, chúng tôi đã sử dụng một hệ thống quản lý thư viện khổng lồ, thế giới thực (được xây dựng trên các tiêu chuẩn Java cũ hơn) và được thử nghiệm. Trong toàn bộ vòng đời phát triển phần mềm (SDLC), chúng tôi không chỉ yêu cầu nó viết mã, chúng tôi đã cố gắng sử dụng nó cho các thông số kỹ thuật UI, quản lý phụ thuộc và sản xuất trường hợp thử nghiệm phức tạp. GPT-4 Dưới đây là những gì đã làm việc, những gì đã thất bại và quy trình làm việc chính xác mà bạn có thể sử dụng để hiện đại hóa các dự án cũ của mình. Thách thức: Vấn đề "Thử nghiệm đẫm máu" Chủ đề của chúng tôi là một mô-đun cụ thể của một Hệ thống Thư viện (WebiLis/iLiswing). 
 
 
 
 Cấu hình phức tạp: Phần mềm chạy trong môi trường đa dạng, dẫn đến sự bùng nổ của các mô hình thử nghiệm. Khác biệt về kỹ năng: Chuyển giao kiến thức cho các Trung tâm Giao hàng Toàn cầu (GDC) ngoài khơi đã dẫn đến việc giải thích sai các thông số kỹ thuật thiết kế. Đánh giá Mệt mỏi: Các nhà phát triển cao cấp đã dành nhiều giờ để bắt chữ viết thay vì sửa logic. Chúng tôi đã tích hợp một gói ChatAI nội bộ (được cung cấp bởi GPT-4) để xem liệu chúng tôi có thể tự động hóa sự đau đớn không. Giai đoạn 1: The Low-Hanging Fruit (UI & Documentation) Trước khi chạm vào mã, chúng tôi đã xem xét Giai đoạn thiết kế. Chúng tôi cung cấp các danh sách yêu cầu thô AI và yêu cầu nó tạo ra . UI Design Specifications Thí nghiệm Chúng tôi đã cố tình giới thiệu các lỗi trong các thông số kỹ thuật UI: 
 
 
 Loại: “Tòa nhà trường học” thay vì “Tòa nhà thư viện trường học”. Lỗi logic: "Hệ thống cũ" thay vì "Hệ thống cũ". Kết quả GPT-4 đã phá vỡ điều này. nó đã xác định các chữ viết ngữ cảnh mà các nhà kiểm tra pháp lý đã bỏ lỡ. 
 
 
 Dữ liệu: Khi chúng tôi phân tích các đánh giá mã thủ công của chúng tôi, chúng tôi thấy rằng 87% ý kiến đánh giá liên quan đến cụm từ đơn giản, kiểu chữ hoặc thiếu sự rõ ràng. Quá trình làm việc của "AI Reviewer": Bằng cách chạy các thông số kỹ thuật thông qua GPT-4 trước khi đánh giá của con người, chúng tôi có thể loại bỏ 87% tiếng ồn. 
 
 Takeaway: Đừng lãng phí thời gian của kỹ sư cao cấp về ngữ pháp. Sử dụng LLMs như một trình xem "Cấp 0" cho tài liệu để làm sạch tiếng ồn trước khi một con người nhìn thấy nó. Takeaway: Đừng lãng phí thời gian của kỹ sư cao cấp về ngữ pháp. Sử dụng LLMs như một trình xem "Cấp 0" cho tài liệu để làm sạch tiếng ồn trước khi một con người nhìn thấy nó. Giai đoạn 2: Generative Coding (Java & Maven) Sau đó, chúng tôi chuyển đến Chúng tôi yêu cầu AI tạo ra mã Java cho các chức năng tiện ích cụ thể. PG (Programming) Phase Lời bài hát: Boilerplate & Dependencies Chúng tôi đã yêu cầu một chương trình để tính toán ngày sử dụng các thư viện Java tiêu chuẩn.   Prompt: "Tạo một chương trình Java nhập một số và tính toán ngày X ngày từ ngày hệ thống." 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);
    }
}
 Nó đã sử dụng đúng java.time.LocalDate (Java hiện đại) thay vì java.util.Date bị mất giá. Nó cũng thành công tạo ra hợp lệ Khi chúng tôi yêu cầu nó kiểm tra các phiên bản thư viện: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Lời bài hát: The "Context Gap" Chúng tôi đã cố gắng cung cấp cho nó hai tệp nguồn Java độc quyền và yêu cầu nó refactor một phương pháp cụ thể. 
 
 
 Kết quả: thất bại Tại sao: AI ảo giác các phương pháp không tồn tại trong các lớp học tùy chỉnh của chúng tôi vì nó không có bối cảnh dự án đầy đủ (The "Class Path"). GPT-4 là tuyệt vời ở các thư viện tiêu chuẩn (JDK, Apache Commons) nhưng khủng khiếp ở "Spaghetti Code" độc quyền trừ khi bạn cung cấp Cây phụ thuộc nhanh chóng Crucial Finding: Toàn bộ Giai đoạn 3: The "Turing Test" for Compilers Chúng tôi đã cung cấp mã AI với các lỗi phác thảo tinh tế để xem liệu nó có thể xử lý chúng tốt hơn so với một trình biên dịch. Thử nghiệm: Chúng tôi đã sử dụng iff (một typpo) thay vì if. 
 
 
 Compiler: Thả một lỗi syntax. AI: Xác định chính xác rằng iff không phải là Java hợp lệ, nhưng gợi ý rằng nó có thể là một tên biến nếu không phải là một typpo. Thử nghiệm: Chúng tôi đã cho nó một lỗi logic nơi một điều kiện không bao giờ có thể là đúng. 
 
 AI: Không thể bắt được. 
 
 Thực tế Kiểm tra: GenAI không phải là một trình biên dịch. Nó đoán xác suất của token. Nó là tuyệt vời trong việc giải thích tại sao một lỗi có thể xảy ra, nhưng nó không thể đảm bảo sự chính xác của mã như một công cụ phân tích tĩnh (SonarQube) có thể. Thực tế Kiểm tra: GenAI không phải là một trình biên dịch. Nó đoán xác suất của token. Nó là tuyệt vời trong việc giải thích tại sao một lỗi có thể xảy ra, nhưng nó không thể đảm bảo sự chính xác của mã như một công cụ phân tích tĩnh (SonarQube) có thể. Kiểm tra thực tế: Giai đoạn 4: Test Case Generation (The Danger Zone) Đây là phần quan trọng nhất của thí nghiệm.Chúng tôi yêu cầu AI tạo ra Đối với chương trình tính toán ngày trên. Test Cases   Prompt: "Tạo trường hợp thử nghiệm cho chương trình ngày". AI Result (Initial): Nó tạo ra các trường hợp chung: 
 
 
 
 Nhập khẩu: 5 Nhập: 10 Nhập khẩu: -1 Nó không cung cấp các Tại sao? bởi vì đầu ra phụ thuộc vào LocalDate.now(), thay đổi mỗi ngày. AI không thể "chạy" mã để biết ngày hôm nay là gì. The Problem: Sản lượng dự kiến The Prompt Engineering Fix: Để có được các trường hợp thử nghiệm hữu ích, chúng tôi phải rõ ràng về các biến. 
 
 Refined Prompt: "Giả sử biến hôm nay là '2024-06-15'. Tạo ra 4 mẫu thử nghiệm cho các ngày biến." Refined Prompt: "Giả sử biến hôm nay là '2024-06-15'. Tạo ra 4 mẫu thử nghiệm cho các ngày biến." Nhanh chóng làm sạch: 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 trường hợp 1 1 Năm 2019-06-16 trường hợp 2 10 Năm 2025-06-25 trường hợp 3 0 Năm 2025-06-15 trường hợp 4 -5 Năm 2025-06-10 The Workflow for Modernizing Legacy Systems (Dòng công việc cho hiện đại hóa hệ thống thừa kế) Dựa trên xác minh của chúng tôi, đây là kiến trúc bạn nên áp dụng khi áp dụng AI cho phát triển sản phẩm cổ xưa. Kết luận: Thực tế của “37% Boost” Các nhà nghiên cứu cho rằng a sử dụng Generative AI. xác minh nội bộ của chúng tôi hỗ trợ điều này, nhưng với một cảnh báo. 37% productivity increase Năng suất không đến từ AI viết mã phức tạp hoàn hảo. . shifting the burden of the mundane 
 
 
 
 Đánh giá: AI xử lý kiểm tra ngữ pháp / kiểu (87% vấn đề), cho phép con người tập trung vào kiến trúc. Boilerplate: AI xử lý các nhập khẩu và thiết lập Java tiêu chuẩn. Thử nghiệm: AI tạo ra cấu trúc của các trường hợp thử nghiệm, ngay cả khi con người phải xác minh logic. The Verdict: Nếu bạn đang quản lý một hệ thống cổ xưa, đừng mong đợi GPT-4 sẽ viết lại động cơ cốt lõi của bạn qua đêm. Sử dụng nó để làm sạch tài liệu của bạn, tạo ra bộ xương thử nghiệm của bạn, và giải thích những thông điệp lỗi 10 năm tuổi bí ẩn. Tiếp theo là gì? Biên giới tiếp theo là Bằng cách lập chỉ mục 500 trang hướng dẫn PDF của chúng tôi vào cơ sở dữ liệu vector, chúng tôi nhằm mục đích cung cấp cho AI "Context" mà nó đã bỏ lỡ trong Giai đoạn 2, cho phép nó hiểu các phương pháp độc quyền cũng như nó hiểu Java tiêu chuẩn. 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

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Tái tạo lại mã di sản với GPT-4: Hướng dẫn thực tế về tái tạo và thử nghiệm được hỗ trợ bởi AI

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

178 Stories To Learn About Essay

581 Stories To Learn About Non Fiction

287 Stories To Learn About Blockchain Development

128 Stories To Learn About Charles Dickens

178 Stories To Learn About Essay

581 Stories To Learn About Non Fiction

287 Stories To Learn About Blockchain Development

128 Stories To Learn About Charles Dickens

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps