Ia menyatukan segala-galanya, tetapi tiada siapa yang mahu menyentuhnya. Legacy code is the dark matter of the software universe. Jika anda bekerja dalam perisian korporat, anda tahu perjuangan: aplikasi Java monolitik, dokumen reka bentuk 500 halaman (PDF!), dan "kod spaghetti" yang pecah jika anda bernafas di atasnya salah. Kebanyakan tutorial AI menunjukkan kepada anda bagaimana untuk membina daripada apps. baru But can GenAI actually handle the grit of a 10-year-old legacy system? Dalam eksperimen ini, kami mengambil sistem pengurusan perpustakaan dunia nyata yang besar (dibina pada piawaian Java yang lebih lama) dan diuji dengan tekanan. Kami tidak hanya meminta ia untuk "menulis kod", kami cuba menggunakannya untuk spesifikasi UI, pengurusan ketergantungan, dan pengeluaran kes ujian yang kompleks. GPT-4 Berikut ialah apa yang berjaya, apa yang gagal, dan aliran kerja yang tepat yang anda boleh gunakan untuk memodernisasi projek lama anda. Tantangan: Masalah "Ujian berdarah" Subjek kami adalah modul tertentu Sistem Perpustakaan (WebiLis/iLiswing). pasukan itu menghadapi masalah perniagaan klasik: 
 
 
 
 Konfigurasi kompleks: Perisian berjalan dalam persekitaran yang berlainan, yang membawa kepada letupan corak ujian. Perselisihan kemahiran: pemindahan pengetahuan kepada Pusat Penghantaran Global (GDC) di luar negara telah mengakibatkan penyalahgunaan spesifikasi reka bentuk. Penilaian Kelelahan: Pembangun senior menghabiskan masa menangkap typos alih-alih memperbaiki logik. Kami mengintegrasikan wrapper ChatAI dalaman (digerakkan oleh GPT-4) untuk melihat sama ada kita boleh mengotomatiskan kesakitan. Tahap 1: The Low-Hanging Fruit (UI & Dokumentasi) Sebelum menyentuh kod, kami melihat Fasa Reka Bentuk.Kami memberi makanan kepada senarai keperluan mentah AI dan meminta ia untuk menghasilkan . UI Design Specifications Eksperimen yang Kami sengaja memasukkan kesilapan dalam spesifikasi UI: 
 
 
 Jenis: “Bilik Sekolah” alih-alih “Bilik Perpustakaan Sekolah”. Kesilapan logik: “Sistem lama” bukannya “Sistem lama”. Hasilnya GPT-4 menghancurkan ini.Ia mengenal pasti tip kontekstual yang dikecualikan oleh pemeriksaan spellcheckers. 
 
 
 Data: Apabila kami menganalisis ulasan kod manual kami, kami mendapati bahawa 87% daripada komen ulasan berkaitan dengan frasa mudah, tip, atau kurangnya kejelasan. The "AI Reviewer" Workflow: Dengan menjalankan spesifikasi melalui GPT-4 sebelum penilaian manusia, kita boleh menghilangkan 87% daripada bunyi. 
 
 Gunakan LLM sebagai peninjau "Tier 0" untuk dokumentasi untuk membersihkan bunyi sebelum manusia melihatnya. Gunakan LLM sebagai peninjau "Tier 0" untuk dokumentasi untuk membersihkan bunyi sebelum manusia melihatnya. Tahap 2: Pengkodean Generatif (Java & Maven) Selepas itu, kami berpindah ke Kami meminta AI untuk mencipta kod Java untuk fungsi utiliti tertentu. PG (Programming) Phase Laman Utama » Boilerplate & Dependencies Kami meminta program untuk mengira tarikh menggunakan pustaka Java standard.   Prompt: "Mencipta program Java yang memasukkan nombor dan mengira tarikh X hari dari tarikh sistem." 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);
    }
}
 Ia digunakan dengan betul java.time.LocalDate (Java moden) dan bukannya java.util.Date yang dikurangkan. Ia juga berjaya dihasilkan valid apabila kami meminta ia untuk memeriksa versi perpustakaan: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Kegagalan: “Cacat konteks” Kami cuba memberi makan dua fail sumber Java milik dan meminta ia untuk refactor kaedah tertentu. 
 
 
 Hasil : Kegagalan Mengapa: AI menghalusinasi kaedah yang tidak wujud dalam kelas tersuai kami kerana ia tidak mempunyai konteks projek penuh ( "Class Path"). GPT-4 adalah hebat di perpustakaan standard (JDK, Apache Commons) tetapi mengerikan di "Spaghetti Code" milik sendiri kecuali anda menyediakan pokok ketergantungan dalam keadaan cepat. Crucial Finding: Keseluruhan Tahap 3: "Turing Test" untuk Kompiler Kami memakan kod AI dengan kesilapan sintaks halus untuk melihat sama ada ia boleh memulihkan mereka lebih baik daripada kompilator. Ujian: Kami menggunakan iff (a typo) alih-alih if. 
 
 
 Kompiler: Mengeluarkan kesilapan sintaks. AI: Tentukan betul bahawa iff bukan Java yang sah, tetapi mencadangkan ia boleh menjadi nama variabel jika bukan tip. Ujian: Kami memberi ia bug logik di mana satu syarat tidak boleh benar. 
 
 A: Saya tidak boleh menangkapnya. 
 
 Reality Check: GenAI bukan kompilator. Ia menebak kebarangkalian token. Ia sangat baik dalam menjelaskan mengapa kesilapan mungkin berlaku, tetapi ia tidak boleh menjamin ketepatan kod seperti alat analisis statik (SonarQube) boleh. GenAI bukan kompilator. Ia menebak kebarangkalian token. Ia sangat baik dalam menjelaskan mengapa kesilapan mungkin berlaku, tetapi ia tidak boleh menjamin ketepatan kod seperti alat analisis statik (SonarQube) boleh. Pemeriksaan Realiti : Pemeriksaan Realiti : Tahap 4: Generasi Kes Ujian (The Danger Zone) Ini merupakan bahagian yang paling penting dalam eksperimen ini.Kami meminta AI untuk menghasilkan untuk program pengiraan tarikh di atas. Test Cases   Prompt: "Mencipta kes ujian untuk program tarikh." AI Result (Initial): Ia menghasilkan kes generik: 
 
 
 
 Penyertaan : 5 Penyertaan : 10 Penyertaan : -1 Ia tidak menyediakan Mengapa? kerana output bergantung kepada LocalDate.now(), yang berubah setiap hari. The Problem: Hasil yang dijangka Penyelesaian Kejuruteraan Prompt: Untuk mendapatkan kes ujian yang berguna, kita perlu menjadi eksplisit mengenai variabel. 
 
 Prompt yang disempurnakan: "Mengandaikan variabel hari ini ialah '2024-06-15'. "Mengandaikan variabel hari ini ialah '2024-06-15'. Mencipta 4 corak ujian untuk hari-hari variabel." Refined Prompt: Penyelesaian prompt : 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 Kes 1 1 Tahun 2019-06-16 Kes 2 10 Tahun 2019-06-25 Kes 3 0 Tahun 2019-06-15 Kes 4 -5 Tahun 2025-06-10 Rangkaian Kerja untuk Modernisasi Sistem Legacy Berdasarkan pengesahan kami, di sini ialah seni bina yang perlu anda amati apabila memohon AI kepada pembangunan produk lama. Kesimpulan: Kenyataan "37% Boost" Para penyelidik menyatakan a menggunakan Generative AI. pengesahan dalaman kami menyokong ini, tetapi dengan amaran. 37% productivity increase Produktiviti tidak datang daripada AI menulis kod yang sempurna kompleks. . shifting the burden of the mundane 
 
 
 
 AI menangani pemeriksaan tata bahasa / jenis (87% daripada isu-isu), membolehkan manusia memberi tumpuan kepada seni bina. Boilerplate: AI menangani import dan setup Java standard. Ujian: AI menghasilkan struktur kes ujian, walaupun manusia perlu mengesahkan logik. The Verdict: Jika anda menguruskan sistem warisan, jangan mengharapkan GPT-4 untuk menuliskannya semula enjin teras anda sepanjang malam. gunakan untuk membersihkan dokumen anda, mencipta skeleton ujian anda, dan menerangkan mesej ralat 10 tahun yang tersembunyi itu. Apa yang seterusnya? Perbatasan seterusnya ialah Dengan mengindeks 500 halaman panduan PDF kami ke dalam pangkalan data Vector, kami bertujuan untuk memberi AI "Konteks" yang ia terlepas dalam Tahap 2, membolehkan ia memahami kaedah proprietari serta memahami Java standard. 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

Audio ini dihasilkan dalam bahasa asal cerita!

Mengembalikan Kod Legacy dengan GPT-4: Panduan Praktikal untuk Refactoring dan Pengujian yang Dibantu AI

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps