Tiene todo unido, pero nadie quiere tocarlo. Legacy code is the dark matter of the software universe. Si trabajas en software empresarial, conoces la lucha: aplicaciones Java monolíticas, documentos de diseño de 500 páginas (PDFs!), y "código de espagueti" que se rompe si respiras mal. La mayoría de los tutoriales de IA te enseñan cómo construir Las apps. Nuevo But can GenAI actually handle the grit of a 10-year-old legacy system? En este experimento, tomamos un sistema masivo de gestión de bibliotecas en el mundo real (construido sobre estándares Java más antiguos) y probado con estrés. En todo el ciclo de vida del desarrollo de software (SDLC), no solo le pedimos que "escriba código", sino que lo intentamos usar para especificaciones de interfaz de usuario, gestión de dependencias y generación de casos de prueba complejos. GPT-4 Aquí está lo que funcionó, lo que falló y el flujo de trabajo exacto que puede usar para modernizar sus proyectos legados. El desafío: el problema de la "testa de sangre" Nuestro tema era un módulo específico de un Sistema de Bibliotecas (WebiLis/iLiswing).El equipo se enfrentó a un problema clásico de la empresa: 
 
 
 
 Configuraciones complejas: El software se ejecuta en entornos variados, lo que conduce a una explosión de patrones de prueba. Gap Skill: la transferencia de conocimientos a los Centros de Entrega Global (GDC) offshore resultó en interpretaciones erróneas de las especificaciones de diseño. Revisión Fatigue: Los desarrolladores senior pasaban horas capturando tipos en lugar de arreglar la lógica. Integramos un envoltorio interno de ChatAI (alimentado por GPT-4) para ver si podemos automatizar el dolor. Fase 1: El fruto de baja pendiente (UI y documentación) Antes de tocar el código, miramos la Fase de Diseño. Alimentamos las listas de requisitos crudos de IA y le pedimos que generara . UI Design Specifications El experimento Introducimos deliberadamente errores en las especificaciones de la interfaz de usuario: 
 
 
 Tipos: “Edificio escolar” en lugar de “Biblioteca escolar”. Errores lógicos: “Old System” en lugar de “Old System”. El resultado GPT-4 rompió esto. Identificó los tipos contextuales que los verificadores de ortografía perdieron. 
 
 
 Los datos: Cuando analizamos nuestras revisiones de código manual, encontramos que el 87% de los comentarios de revisión estaban relacionados con la fraseción simple, la tipografía o la falta de claridad. El flujo de trabajo de "AI Reviewer": Al ejecutar las especificaciones a través de GPT-4 antes de la revisión humana, podríamos eliminar el 87% del ruido. 
 
 Uso de los LLMs como un revisor de "Tierra 0" para la documentación para limpiar el ruido antes de que un humano lo vea. Uso de los LLMs como un revisor de "Tierra 0" para la documentación para limpiar el ruido antes de que un humano lo vea. Fase 2: Codificación generativa (Java y Maven) Luego nos trasladamos a la Pedimos a la IA que genere código Java para funciones de utilidad específicas. PG (Programming) Phase Categoría: Boilerplate & Dependencies Pedimos un programa para calcular fechas utilizando bibliotecas Java estándar.   Prompt: "Crear un programa Java que introduzca un número y calcule la fecha X días desde la fecha del sistema." 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);
    }
}
 Utilizó correctamente java.time.LocalDate (Java moderno) en lugar del java.util.Date deprecado. También ha generado con éxito válido Cuando le pedimos que verifique las versiones de la biblioteca: Maven Dependencies #Xml
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.13</version> 
</dependency>
 Fracaso: la “gap de contexto” Hemos intentado alimentarlo con dos archivos de origen Java propietarios y le hemos pedido que refactor un método específico. 
 
 
 El resultado: el fracaso. Por qué: La IA alucinó métodos que no existían en nuestras clases personalizadas porque no tenían el contexto completo del proyecto (el "Camino de clase"). GPT-4 es excelente en las bibliotecas estándar (JDK, Apache Commons) pero terrible en el "Código Spaghetti" exclusivo a menos que usted proporcione la El árbol de la dependencia en la pronta. Crucial Finding: totalidad Fase 3: La “Prueba de Turing” para compiladores Hemos alimentado el código de la IA con sutiles errores de sintaxis para ver si podría borrarlos mejor que un compilador. La prueba: Utilizamos iff (un tipo) en lugar de si. 
 
 
 Compilador: genera un error de sintaxis. AI: Identificó correctamente que iff no es Java válido, pero sugirió que podría ser un nombre de variable si no un tipo. La prueba: le alimentamos un error lógico en el que una condición nunca podría ser verdadera. 
 
 AI: No pudo capturarlo. 
 
 Reality Check: GenAI no es un compilador. Adivina la probabilidad de los tokens. Es excelente en explicar por qué puede ocurrir un error, pero no puede garantizar la corrección del código como puede una herramienta de análisis estático (SonarQube). Reality Check: GenAI no es un compilador. Adivina la probabilidad de los tokens. Es excelente en explicar por qué puede ocurrir un error, pero no puede garantizar la corrección del código como puede una herramienta de análisis estático (SonarQube). Verificación de la realidad: Fase 4: Generación de casos de prueba (la zona de peligro) Esta fue la parte más crítica del experimento.Le pedimos a la IA que para el programa de cálculo de fechas de arriba. Test Cases   Prompt: "Generar casos de prueba para el programa de fecha." Resultado AI (Inicial): Generó casos genéricos: 
 
 
 
 Introducción: 5 Ingreso: 10 Ingreso: -1 No proporcionó el ¿Por qué? porque la salida depende de LocalDate.now(), que cambia todos los días.La IA no podía "executar" el código para saber qué es hoy. The Problem: Producción esperada The Prompt Engineering Fix: Para obtener casos de prueba útiles, tuvimos que ser explícitos acerca de las variables. 
 
 Prompt refinado: "Supongamos que la variable hoy es '2024-06-15'. Generar 4 patrones de prueba para los días variables." Prompt refinado: "Supongamos que la variable hoy es '2024-06-15'. Generar 4 patrones de prueba para los días variables." Refinado rápidamente: 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 Caso 1 1 2017-06-16 Caso 2 10 2017-06-25 Caso 3 0 El año 2025-06-15 Caso 4 -5 2017-06-10 El flujo de trabajo para la modernización de los sistemas legados Basado en nuestra verificación, aquí está la arquitectura que debe adoptar al aplicar la IA al desarrollo de productos legados. Conclusión: La realidad del "boost del 37%" Los investigadores afirman a Nuestra verificación interna apoya esto, pero con una advertencia. 37% productivity increase La productividad no vino de la IA escribiendo el código perfecto complejo. . shifting the burden of the mundane 
 
 
 
 Comentarios: La IA gestionó la verificación de gramática/tipo (87% de los problemas), permitiendo a los humanos centrarse en la arquitectura. Boilerplate: AI gestionó las importaciones y configuraciones estándar de Java. Pruebas: la IA generó la estructura de los casos de prueba, incluso si los humanos tenían que verificar la lógica. El Veredicto: Si está administrando un sistema legado, no espere que GPT-4 reescriba su motor principal durante la noche.Usarlo para limpiar su documentación, generar sus esqueletos de prueba y explicar esos mensajes de error de 10 años de antigüedad. ¿Qué es lo siguiente? La siguiente frontera es Al indexar nuestras 500 páginas de manuales PDF en una base de datos de vectores, buscamos darle a la IA el "contexto" que perdió en la Fase 2, permitiéndole comprender los métodos propietarios así como comprender Java estándar. 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

Este audio es producido en el idioma original de la historia!

Revivir el código legado con GPT-4: una guía práctica para el refactoring y las pruebas asistidas por IA

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Telegram: el puente de Crypto Island hacia el continente

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Telegram: el puente de Crypto Island hacia el continente

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps