GenAI for Forward Engineering

Brief

GenAI用于前向工程是一种新兴技术，通过AI生成的遗留代码库描述来实现系统现代化。它引入了一个显式步骤，专注于遗留代码的功能（其规范），同时刻意隐藏当前实现方式。这与规范驱动开发相关，但专门应用于遗留系统现代化。 通过在重写代码前生成和迭代功能描述，团队可以使用GenAI揭示可能被忽略的隐藏逻辑、依赖关系和边界情况。强调问题空间而非现有系统，也使GenAI模型能够探索更具创造性和前瞻性的解决方案。工作流程遵循反向工程 → 设计/方案制定 → 前向工程循环，使人类和AI代理能够在提交实现前进行更高层次的推理。 在Thoughtworks，多个团队成功应用这种方法加速遗留系统的重写。目标不是完全隐藏实现细节，而是引入一种临时抽象，帮助团队和代理在不受当前结构约束的情况下探索替代方案。该技术在生成更干净、更具可维护性和面向未来的代码方面展现出前景，同时减少了理解现有实现所需的时间。

来源：技术雷达

Details

背景与现状

• 遗留系统现代化面临高理解成本问题：代码复杂、文档缺失，导致团队需耗费大量时间梳理逻辑。
• 传统重写方式常陷入“实现细节陷阱”，直接修改代码易忽略隐藏依赖或边界案例，且创新空间受限。
• GenAI提供新路径：通过生成功能规范作为中间抽象层，聚焦业务目标而非现有结构，为现代化提供可操作的起点。

问题与风险

• 核心痛点：遗留系统隐性复杂度高，人工分析易遗漏关键依赖或边缘场景，导致重构后引入新缺陷。
• 潜在风险：
  • AI生成的规范可能过度简化或存在逻辑偏差，若未严格验证会放大错误。
  • 临时抽象层管理不当（如规范与代码脱节）可能增加维护负担，尤其在需求频繁变更时。
  • 过度依赖AI生成内容可能削弱团队对业务逻辑的深度理解，形成知识黑洞。

核心模式与工作机制

• 工作流程三阶段：
  • 反向工程：AI分析代码生成功能规范文档，抽象出“做什么”而非“怎么做”。
  • 设计/方案制定：基于规范探索优化方案，自由发挥架构创意（如解耦模块、简化依赖）。
  • 前向工程：用规范驱动新代码生成，确保功能一致性且不受旧结构约束。
• 关键机制：规范作为独立抽象层，隔离实现细节；循环迭代允许人类与AI协同验证逻辑完整性。

演进对比

• 传统方法：直接修改代码，结构僵化；分析过程易受现有实现牵制，创新受限，且多轮调试成本高。
• 新模式优势：
  • 先明确功能需求再实现，减少“问题发现-修正”循环；
  • 规范化设计阶段便于团队共识达成，避免陷入代码细节泥潭；
  • AI辅助快速生成替代方案，提升解决方案的前瞻性和可维护性。

系统性影响

• 积极影响：
  • 工程效率提升：规范文档加速团队理解，减少重复调研；生成代码结构更清晰，降低长期维护成本。
  • 质量文化优化：强制规范验证步骤推动测试覆盖和代码评审标准化。
• 潜在挑战：
  • 架构一致性风险：若规范与实际系统脱节，可能导致新旧模块集成问题；
  • 技术栈治理复杂化：需新增AI输出验证流程，与现有CI/CD、可观测体系整合；
  • 长期技术债管理：规范化过程若未持续迭代，可能掩盖新债务而非减少。

落地实践建议

• 适用边界：
  • 优先级高场景：功能明确但代码混乱的遗留模块（如老旧业务系统）；团队具备领域知识且能主导规范定义。
  • 不适用情形：实时性系统（如高频交易）、需求频繁变动项目，或缺乏清晰业务边界的杂乱代码库。
• 实施路径：
  • 小范围试点：选择1-2个独立、低风险模块，从生成基础规范开始验证；
  • 流程整合：在CI/CD中增加规范校验步骤，例如自动化测试覆盖关键场景；
  • 分阶段推进：先优化文档质量，再逐步扩展到核心模块。
• 风险防范要点：
  • AI输出必经人工审核，尤其针对依赖关系和边界条件；
  • 建立规范-代码一致性检查机制（如差分测试）；
  • 严格限制AI应用范围，避免用于高安全敏感或高度定制化模块。