Ausgangssituation
Ein führender IT-Dienstleister im Finanzsektor stand vor der strategischen Herausforderung, historisch gewachsene Mainframe-Systeme effizient zu warten und für die Zukunft aufzustellen. Die umfangreiche Codebasis, bestehend aus komplexen Cobol- und Java-Strukturen, band erhebliche Ressourcen in der Wartung. Da das ursprüngliche Entwicklungswissen durch den Generationenwechsel zunehmend schwerer verfügbar war, erkannte das Unternehmen die Chance, den Wissenstransfer durch innovative Technologien zu beschleunigen. Ziel war es, neuen Entwicklern und Architekten ein Werkzeug an die Hand zu geben, mit dem sie die Legacy-Systeme tiefgreifend verstehen und so die geplante Ablösung und Modernisierung der Mainframe-Architektur fundiert vorbereiten können.
Unsere Lösung
Um die Komplexität der Legacy-Codebasis beherrschbar zu machen, entwickelte AMAI eine innovative, agentenbasierte Lösung. Das System ermöglicht es Entwicklern, natürlichsprachliche Fragen direkt an den Code zu stellen und präzise Antworten zu erhalten, die durch eine autonome Analyse der Softwarearchitektur generiert werden.
- Graph-basierte Code-Analyse und AST-Transformation: Die Grundlage der Lösung bildet die vollständige Transformation der Code-Repositories in strukturierte Daten. Sowohl Cobol- als auch Java-Quellcode wurden in Abstract Syntax Trees (AST) zerlegt und in einen umfassenden Aufrufgraphen überführt. Dieser Graph repräsentiert nicht nur die Dateistruktur, sondern auch die logischen Abhängigkeiten und Aufrufketten zwischen verschiedenen Klassen und Modulen. Dadurch entsteht ein navigierbares Abbild der gesamten Softwarearchitektur, das weit über eine einfache Textsuche hinausgeht und tiefgehende semantische Analysen ermöglicht.
- Hierarchische Bottom-Up Summarization: Um dem KI-Modell ein Verständnis für den Inhalt der riesigen Codebasis zu vermitteln, wurde ein innovatives Summarization-Verfahren implementiert. Dabei werden ausgehend von einzelnen Dateien und Klassen semantische Beschreibungen generiert, die hierarchisch bis zur Ordnerebene aggregiert werden. Diese Methode stellt sicher, dass der Agent nicht nur Details kennt, sondern auch den funktionalen Kontext ganzer Module versteht. Dies ermöglicht eine effiziente Navigation durch den Code, da der Agent auf jeder Ebene entscheiden kann, welcher Pfad für die Beantwortung einer Frage relevant ist.
- Agentic AI mit Model Context Protocol (MCP): Das Herzstück der Anwendung ist ein autonomer KI-Agent, der über das Model Context Protocol (MCP) direkt mit der Graph-Datenbank interagiert. Anstatt starr vorprogrammierten Pfaden zu folgen, kann der Agent dynamisch entscheiden, welche Tools er nutzt – sei es die Suche nach Knoten, das Verfolgen von Eltern-Kind-Beziehungen oder die Analyse des kürzesten Weges zwischen zwei Komponenten. Diese Flexibilität erlaubt es dem System, auch komplexe Fragestellungen durch iterative Lösungsschritte und logische Schlussfolgerungen (Reasoning) eigenständig zu bearbeiten.
- Semantische Suche für Legacy-Code: Durch die Kombination von Vektordatenbanken und Large Language Models entstand eine leistungsfähige semantische Suche. Entwickler müssen nicht mehr nach exakten Variablennamen suchen, sondern können Fragen stellen wie "Wo ist die Zinsberechnung implementiert?" oder "Wie hängen Modul A und B zusammen?". Der Agent versteht die Intention der Frage, navigiert durch den semantisch angereicherten Graphen und liefert kontextbezogene Antworten, die den Entwicklern helfen, die Implementierungsdetails und Zusammenhänge der Legacy-Systeme schnell zu erfassen.
Trotz der Herausforderung extrem langer Kausalketten in der Legacy-Logik und der schieren Größe der Repositories konnte durch die Abstraktion mittels Graphen und Summarization eine performante Lösung geschaffen werden.
Ergebnisse & Business-Impact
Die Einführung des KI-gestützten Code-Assistenten zeigte in der Evaluation, dass selbst komplexe Fragestellungen zur Legacy-Architektur erfolgreich beantwortet werden können. Entwickler erhalten dadurch eine signifikante Orientierungshilfe in schlecht dokumentierten Systembereichen, was die Einarbeitungszeit verkürzt und das Verständnis für die Mainframe-Ablöse schärft.
Darüber hinaus fungierte das Projekt als wichtiger Impulsgeber für die KI-Strategie des Unternehmens. Der erfolgreiche Einsatz von Agentic AI und modernen LLM-Architekturen demonstrierte die Praxistauglichkeit dieser Technologien im Enterprise-Umfeld und stieß weitere Initiativen zur Modernisierung und Automatisierung an.
