IATP: reverse engineering con AI e pipeline di sviluppo autonoma

La sfida

IATP è una piattaforma legacy complessa, evoluta negli anni attraverso più team di sviluppo, con documentazione minima e nessuna architettura standardizzata. Gli sviluppatori originali non erano più disponibili. Il cliente doveva capire che cosa facesse davvero il sistema, a livello funzionale e architetturale, produrre una documentazione di analisi completa e poi modernizzare ed estendere la piattaforma con un processo di sviluppo affidabile e ripetibile.

Un reverse engineering manuale su questa scala avrebbe richiesto mesi e prodotto documenti già superati prima di essere finiti. Una riscrittura tradizionale era troppo rischiosa senza prima avere una comprensione verificata della logica di business esistente.

Fase 1 — Reverse engineering con l’AI

Abbiamo usato Nexus MDS Core come spina dorsale analitica. L’intero codice legacy è stato acquisito in una pipeline RAG basata su Weaviate, creando una base di conoscenza interrogabile semanticamente su ogni modulo, funzione, flusso di dati e regola di business contenuta nel codice.

Con workflow multi-agente orchestrati tramite n8n, il sistema ha generato in automatico mappe di contesto: ricostruendo l’architettura funzionale, individuando le dipendenze nascoste, mappando la data lineage e segnalando la logica di business non documentata. Quel contesto è stato poi usato per generare in automatico documenti di analisi strutturati (specifiche funzionali, descrizioni dei diagrammi architetturali, dizionari dati e valutazioni dei rischi), tutti prodotti con query RAG mirate sul codice acquisito.

Man mano che l’analisi avanzava e si generavano nuovi documenti, il motore di obsolescenza guidato dall’AI della piattaforma tracciava in automatico quali artefatti di analisi precedenti erano stati superati da versioni più nuove e complete, mantenendo un grafo di obsolescenza: il team di sviluppo lavorava sempre sulla comprensione più aggiornata del sistema.

Quello che a un team di analisti avrebbe richiesto mesi è stato prodotto in giorni, con la tracciabilità verso il codice sorgente di ogni affermazione di ogni documento.

Fase 2 — Pipeline di sviluppo guidata dall’AI

Con il sistema compreso e documentato a fondo, abbiamo implementato una pipeline di sviluppo moderna, potenziata dall’AI:

• Antigravity: generazione e refactoring del codice assistiti dall’AI, con il contesto generato via RAG come base di ancoraggio, così che ogni modifica al codice partisse da una comprensione verificata del sistema esistente.
• Trae IDE: ambiente di sviluppo integrato con funzioni di AI copilot, collegato alla base di conoscenza del progetto per un completamento del codice consapevole del contesto e una documentazione inline.
• Server MCP: server Model Context Protocol per l’orchestrazione DevOps: pipeline di deployment automatizzate, provisioning dell’infrastruttura, gestione degli ambienti e integrazione CI/CD, tutto coordinato dall’AI.
• Comet: generazione dei test e quality assurance guidate dall’AI. Casi di test derivati in automatico dalle specifiche funzionali prodotte nella Fase 1, con test di regressione continui e analisi della copertura per garantire che la modernizzazione non rompesse il comportamento esistente.

Risultati

Il progetto ha consegnato un ciclo di vita del software completo e guidato dall’AI da un capo all’altro: dalla comprensione di un sistema legacy privo di documentazione, alla generazione automatica dei documenti di analisi, fino a una pipeline di sviluppo moderna in cui l’AI assiste ogni fase: codice, test, deploy e quality assurance.

Il reverse engineering basato su RAG ha ridotto la fase di analisi da una stima di 3-4 mesi a meno di due settimane. La pipeline di sviluppo guidata dall’AI ha aumentato la velocità di sviluppo mantenendo la qualità grazie a test automatici e consapevoli del contesto. L’intero approccio è oggi ripetibile ed è parte della metodologia di Dynamics Consulting per i progetti di modernizzazione legacy.

Tecnologie utilizzate