应用现代化中的生成式 AI

应用程序现代化是指利用现代技术更新旧版应用程序的过程，通过注入 DevOps 、基础设施即代码等云原生原则来提升性能，使其适应不断变化的业务节奏。

根据应用价值、关键性和目标，对旧版应用程序的处理方式涵盖从完全重写到直接迁移的多种模式。众所周知，重写方案能带来最高收益，因为它能帮助企业构建真正云原生模型，实现高度敏捷与高速迭代。然而许多 CIO 和 CTO 对投资犹豫不决，因为他们需要在投入巨大的重写方案与价值有限的迁移方案之间取得平衡，同时还要考量价值实现所需的成本和时间。服务提供商与工具厂商正试图通过构建可定制的企业级加速器来破解这一难题，以推动特定领域的现代化进程，例如 Evolvware 、 IBM® Consulting Cloud Accelerators 以及云服务商专属工具。

在追求加速现代化进程并优化成本的同时，生成式 AI 正成为变革现代化项目推进方式的关键推动力。本文将重点探讨生成式 AI 在应用现代化过程中的潜力。

应用程序现代化是指利用现代技术更新旧版应用程序的过程，通过注入 DevOps 、基础设施即代码等云原生原则来提升性能，使其适应不断变化的业务节奏。该过程始于对现有旧版应用、数据及基础设施的评估，进而采用恰当的现代化策略（迁移、重构平台、重构代码或重建）以实现预期目标。虽然重建能带来最大收益，但需要高昂投入；而直接迁移仅将应用和数据原样移至云端，无需优化，虽投入较少但价值有限。现代化应用程序经过部署、监控与维护，通过持续迭代保持与技术及业务发展的同步。其典型收益包括提升敏捷性、成本效益和竞争力，而挑战则在于复杂性与资源需求。许多企业发现，迁移至云端并未带来预期价值，在基础平台级自动化之外也未能获得足够的敏捷性与速度。核心问题在于 IT 组织架构方式，这直接体现在现有应用/服务的构建与管理模式上（参见康威定律）。这反过来又引发了以下挑战：

• 多个 IT 系统和组件提供的重复或重叠功能形成粘性依赖与冗余增殖，影响生产效率和上市速度
• 跨应用与渠道的重复功能导致 IT 资源（如技能与基础设施）冗余
• 重复能力（包括数据）造成业务规则复制，例如导致客户体验不一致
• IT 能力与业务能力缺乏对齐，影响上市速度及业务与 IT 的协同。此外，企业最终需要构建大量临时修补方案和架构层以支持新业务计划与创新。
• 旧版技术与单体架构不仅影响速度和敏捷性，还会削弱安全及合规状态。

因此，应用程序现代化举措需更聚焦于业务价值，这涉及将应用转化为与业务能力对齐的组件化服务的重大变革。最大挑战在于所需投入的规模。由于实现价值需要承担高昂成本与时间周期，众多 CIO 和 CTO 对投资存有顾虑。目前组织普遍通过构建可定制的企业级加速器应对这一挑战， IBM Consulting Cloud Accelerators 正是此类帮助加速特定领域现代化的典型实践。在追求加速现代化进程并优化成本的同时，生成式 AI 正成为变革现代化项目推进方式的关键推动力。本文将通过具体案例深入探讨关键加速领域。

应用现代化项目的简化生命周期（非详尽版本）如下图所示。发现阶段着重理解遗留应用程序、基础设施、数据、应用与服务及数据间的交互关系，以及安全等其他方面。规划阶段将复杂的应用组合拆分为多个待现代化的迭代周期，从而制定分步实施路线图，并确立执行计划以落实该路线图。

蓝图/设计阶段的活动根据现代化策略灵活调整，包括分解应用程序并运用领域驱动设计，或基于新技术建立目标架构以构建可执行设计方案等。后续阶段依次是构建、测试和生产部署。接下来让我们探索生成式 AI 在这些生命周期阶段的潜在应用场景。

发现与设计

以最低限度的领域专家参与度来理解遗留应用程序，是实现加速的关键突破点。这主要是因为领域专家通常忙于系统维护工作，且其知识储备可能受限于系统维护年限。在现代化过程中，发现与设计阶段耗费大量时间，而一旦团队破解了遗留应用的功能逻辑、集成关系、业务逻辑与数据复杂性，开发工作就会变得轻松许多。

现代化团队需要进行代码分析并查阅大量（往往已过时的）技术文档，此时代码分析工具的重要性凸显。对于重写类项目，团队还需将功能能力映射至遗留应用上下文，以便有效开展领域驱动设计与分解工作。生成式 AI 在此展现出独特价值。它能够将领域/功能能力与代码数据建立关联，构建业务能力视图及关联的应用代码与数据网络。当然，模型需要根据企业特定的领域模型或功能能力图谱进行调优和语境化。本文提及的生成式 AI 辅助 API 映射就是该能力的微型范例。在应用分解/设计之外，事件风暴建模需要流程图谱支持，这正是生成式 AI 协助语境化处理流程挖掘工具输出的用武之地。它还能基于代码洞察与功能映射生成用例。总体而言，生成式 AI 通过提升对遗留应用及依赖关系的可视性，有效降低现代化项目的实施风险。

通过基于标准化模式（入站/出站流程、应用服务、数据服务、复合模式等）调优模型，生成式 AI 还可协助生成针对特定云服务商框架的目标设计方案。此外，它还能生成符合目标技术框架的安全管控代码模式等众多应用场景。生成式 AI 还有助于生成详细设计规范，例如用户故事、用户体验线框图、API 规范（如 Swagger 文件）、组件关系图与组件交互图。

规划

现代化项目最棘手的任务之一是在平衡并行工作与串行依赖的同时制定宏观路线图，并识别需要解决的共存场景。虽然这项工作通常作为一次性任务完成，但通过项目增量进行持续调整，并融合执行层输入的规划实践则困难得多。生成式 AI 能够基于历史数据（应用与领域映射关系、工作量与复杂度因子、依赖模式等），为特定行业或领域的现代化项目中的应用组合生成实施路线图。

应对这一挑战的唯一途径，是通过一套能化解企业复杂度的资产与加速器方案来实现可落地实践。这正是生成式 AI 在关联应用组合详情与已发现依赖关系方面发挥重要作用的地方。

构建与测试

代码生成是生成式 AI 最广为人知的应用场景，但更重要的是它能生成一系列关联代码工件，包括基础设施即代码（Terraform 或 CloudFormation 模板）、流水线代码/配置、嵌入式安全设计点（加密、IAM 集成等）、基于 Swagger 或遗留代码洞察的应用程序代码生成，以及防火墙配置（例如基于实例化服务的资源文件）等。生成式 AI 通过基于模式构建的预定义应用参考架构，结合设计工具输出，以协同方式生成上述所有内容。

测试是另一关键领域：生成式 AI 可生成配套的测试用例、测试代码与测试数据，从而优化测试执行效率。

部署

现代化项目中大量关键的"最后一公里"活动通常耗时数天至数周，具体取决于企业复杂程度。生成式 AI 的一个重要应用场景是通过分析应用与平台日志、设计要点、基础设施即代码等信息，获取安全验证洞察，从而极大加速安全评审与审批流程。此外，它还能根据每个版本完成的敏捷工具工作项生成的发布说明，为配置管理（CMDB）和变更管理生成输入数据。

尽管上述应用场景在现代化全程中潜力巨大，但必须认识到：企业环境的复杂性要求采用语境化协同方案，才能有效发挥这些生成式 AI 加速器的价值。目前业界正在持续开发企业专属的语境模式以加速现代化进程。我们观察到，通过前期投入时间精力持续定制这些生成式 AI 加速器，使其与企业内部具有可重复性的特定模式对齐，能带来显著收益。

现在让我们审视一个经过验证的实践案例：

案例 1：基于 BIAN 与 AI 重构 API 发现机制，实现领域映射可视性与重复 API 服务识别

问题现状：某全球大型银行拥有超过 30,000 个 API（含内部与外部），这些 API 随时间推移在不同领域（如零售银行、批发银行、开放银行、企业银行）开发完成。跨领域存在大量重复 API 的可能性，导致维护庞大 API 组合的总持有成本居高不下，且因 API 重复与重叠产生运营挑战。由于缺乏 API 可视性与发现机制，API 开发团队往往重复开发相同或相似 API，而非寻找现有可复用 API。无法从银行业务模型视角可视化 API 组合，制约了业务与 IT 团队理解现有能力与识别银行所需新能力。

生成式 AI 解决方案：该方案利用 BERT 大语言模型、句子转换器、多负例排序损失函数和领域规则，通过 BIAN 服务全景知识进行微调，学习银行 API 组合并实现 API 自动映射至 BIAN 的发现能力。它将 API 端点方法映射至第四级 BIAN 服务全景层级——即 BIAN 服务操作。

该解决方案的核心功能包括：

• 能够解析 Swagger 规范及其他 API 文档，理解 API 接口、端点、操作及关联描述。
• 能够整合 BIAN 详细信息，理解 BIAN 服务全景架构。
• 通过 API 端点方法与 BIAN 服务全景的匹配与非匹配映射关系进行模型微调。
• 提供可视化映射关系图与匹配度评分，支持按 BIAN 层级、API 分类及匹配分数的分层导航与筛选。

行业模型驱动的 API 发现界面：

主要优势： 该方案帮助开发者基于 BIAN 业务领域轻松发现可复用 API； 提供多维度筛选/搜索功能定位接口。此外，团队还能识别关键 API 类别以构建正确的运营弹性。下一版搜索将支持自然语言交互的对话式应用。

基于 BIAN 服务域识别重复 API 的能力，助力制定现代化策略以消除功能冗余并实现合理化整合。

该用例在 6-8 周内即告完成，而传统方式需耗时一年（涉及数千个 API 的识别工作）。

案例 2：MuleSoft API 至 Java Spring Boot API 的自动化现代化改造

问题：当前团队在将 MuleSoft API 现代化改造为 Java Spring Boot 过程中，面临 API 数量庞大、文档缺失及复杂性问题，严重影响推进速度。

生成式 AI 解决方案：通过我们构建的生成式 AI 加速器，实现了 Mule API 到 Java Spring Boot 的高度自动化改造。我们首先建立对 API、组件及逻辑的深度理解，随后确定响应结构与代码规范。接着利用 IBM Sidekick AI 构建提示词，生成符合 MuleSoft API 规范的 Spring Boot 代码、单元测试用例、设计文档及用户界面。

通过逐项输入 Mule API 组件提示词，工具生成对应的 Spring Boot 等效代码，经集成调试后解决出现的错误。该加速器还能生成适配指定渠道的 UI 界面（可与 API 集成）、单元测试用例、测试数据及设计文档。自动生成的设计文档包含序列图、类图、请求响应结构、端点详情、错误码及架构考量。

主要优势：Sidekick AI 通过融合多模态生成式 AI 技术策略与深度领域知识技术，增强应用顾问的日常工作效率。主要优势包括：

• 能够生成大部分符合最佳实践、经过优化且结构清晰的 Spring Boot 代码与测试用例——其核心价值在于可重复性。
• 简化 API 与渠道前端层的集成流程。
• 便于开发人员理解代码，并为代码调试提供充分洞察。

该加速器的概念验证历时六周，通过三个冲刺周期，完成了四种不同场景的代码迁移、单元测试用例、设计文档和用户界面生成。

许多 CIO 和 CTO 在考虑现代化计划时仍持保留态度，他们指出了文本最初提及的多重挑战：包括需要领域专家深度参与、变革可能对业务造成干扰，以及必须在包括安全与变更管理在内的各组织职能中调整运营模式。尽管必须承认生成式 AI 并非解决这些复杂挑战的万能药，但它无疑为现代化项目的成功贡献了力量——通过加速进程、降低现代化总体成本，以及最关键的是，通过确保关键功能不被遗漏来降低风险。然而，必须认识到，将大语言模型及相关库引入企业环境需要投入大量的时间和精力，这包括严格的安全与合规审查及扫描流程。此外，提升用于模型微调的数据质量是一项重点任务，其重要性不容低估。虽然统一的生成式 AI 驱动的现代化加速器尚未普及，但可以预期，随着时间的推移，即使不是涵盖所有模式，也将会出现能够加速特定现代化模式的集成工具包。

深入了解借助 IBM Consulting，生成式 AI能为您做什么。