GitHub Copilot与AI代理如何拯救遗留系统

遇见现代化COBOL的开发人员（无需学习COBOL）

想象一下：你是2025年的开发人员，公司要求你现代化一个每天处理数百万ATM交易的大型机系统。我们谈论的是COBOL——一种已有65年历史的编程语言，比互联网还要古老。

你的第一反应可能是笑或者想哭。但问题是：COBOL不会消失。事实上，它正在运行着世界上一些最大、最关键的系统。

问题在于：找到懂COBOL的开发人员就像寻找独角兽。原始开发人员正在退休，然而仍有2000亿行COBOL代码在运行我们的银行、保险公司和政府系统。

但转折来了：我们现在有机会支持这些"独角兽"。我们拥有GitHub Copilot和自主AI代理。

AI驱动的遗留系统现代化三步框架

Julia和她在微软的团队开发了一个系统化方法，适用于任何遗留现代化项目，不仅仅是COBOL。以下是他们经过实战检验的GitHub Copilot驱动框架。

步骤1：代码准备（逆向工程）

遗留系统的最大问题？组织不再知道他们的代码实际上做了什么。他们使用它，依赖它，但理解它？那是另一回事。

这是GitHub Copilot成为你的考古工具的地方：

• 从遗留文件中提取业务逻辑
• 在markdown中记录所有内容供人工审查
• 自动识别调用链和依赖关系
• 清理无关注释和历史日志
• 在需要的地方添加额外信息作为注释

专业提示：始终让人类专家审查AI生成的分析。AI在模式识别方面非常出色，但业务上下文仍然需要领域知识。

以下是GitHub Copilot为你生成的内容：

# GitHub Copilot生成的业务逻辑分析
## 文件清单
- listings.cobol：列表管理功能（约100行）
- mainframe-example.cobol：完整的大型机程序（约10K行，高复杂度）

## 业务目的
客户账户验证与余额检查
- 根据主文件验证账户号码
- 执行带有透支保护的余额计算
- 生成审计合规的交易日志

## 发现的依赖关系
- 通过SQLCA的DB2数据库连接
- 外部验证服务调用
- 遗留打印队列系统

步骤2：丰富化（使代码易于AI消化）

你通常需要添加上下文来帮助AI更好地理解你的代码：

翻译：如果你的代码有丹麦语、德语或其他非英语注释，请翻译它们。模型在英语上下文中工作得更好。

结构分析：COBOL具有确定性模式。即使你从未编写过COBOL，也可以利用这些模式，因为它们是可预测的。

COBOL程序始终遵循相同的四部分结构：

• IDENTIFICATION DIVISION（程序元数据）
• ENVIRONMENT DIVISION（文件和系统配置）
• DATA DIVISION（变量声明和数据结构）
• PROCEDURE DIVISION（实际业务逻辑）

使用类似以下的提示要求GitHub Copilot映射这些部分：

"识别此COBOL文件中的所有部分并总结每个部分的功能"

"列出DATA DIVISION中定义的所有数据结构及其用途"

"从PROCEDURE DIVISION中提取主要业务逻辑流程"

文档作为真相来源：将AI生成的所有内容保存为markdown文件，这些文件成为主要参考。

步骤3：自动化辅助（扩展流程）

一旦你分析并丰富了单个文件，就需要理解它们如何组合在一起。这是你从交互式使用Copilot转向使用AI代理构建自动化工作流程的地方。

Julia的团队使用Microsoft Semantic Kernel构建了一个框架，该框架协调多个专业代理。每个代理都有特定的工作，它们共同处理可能压垮单个AI调用的复杂性。

这种协调在实践中看起来像这样：

• 调用链映射：生成显示文件如何交互的Mermaid图
• 测试驱动现代化：提取业务逻辑（代理1），生成验证该逻辑的测试用例（代理2），然后生成通过这些测试的现代代码（代理3）
• 依赖优化：识别可以用现代等价物替换的工具类和库

专业提示：在进行任何更改之前，使用Mermaid图可视化复杂的依赖关系。这有助于你早期发现边缘情况。

现实检查：这不是银弹

Julia对局限性非常坦诚：

"目前所有向你承诺'嘿，我可以通过一次点击解决所有大型机问题'的人都在对你撒谎。"

现实是：

• 人类必须留在循环中进行验证
• 每个COBOL代码库都是独特且复杂的
• 我们处于代理AI旅程的早期阶段
• 完全自动化可能至少还需要五年时间

但这并不意味着我们今天不能取得巨大进展。

实际应用：Azure示例框架

Julia和她的团队已经开源了他们的整个框架。它使用Microsoft Semantic Kernel进行代理协调，包括：

• 多个专业代理：DependencyMapperAgent、COBOLAnalyzerAgent、JavaConverterAgent
• 成本跟踪：准确查看每个AI操作的成本（通常每分析1000行代码2-5美元）
• 人工验证点：内置专家审查检查点
• doctor.sh：让你快速入门的配置和测试脚本

尝试运行COBOL现代化框架：

git clone https://github.com/Azure-Samples/Legacy-Modernization-Agents
cd Legacy-Modernization-Agents
./doctor.sh setup
./doctor.sh run

改变一切的商业案例

这不仅仅是关于技术债务。这是关于业务生存。组织正面临COBOL专业知识的关键短缺，而这正是他们最需要的时候。

传统方法是雇佣昂贵的顾问，花费5年以上的时间进行手动转换，最终得到无法维护的自动生成代码。AI驱动的方法改变了这一点。你使用AI来理解业务逻辑，生成人类可读的现代代码，并保持对知识产权的控制。

从这里开始：成为现代化英雄的路径

无论你处理的是COBOL、古老的Java还是任何遗留系统，以下是今天就可以开始的方法：

从小处开始

• 识别一个有问题的遗留系统（从少于5,000行代码开始）
• 使用GitHub Copilot分析单个文件
• 在markdown中记录你的发现
• 与团队分享发现

构建你的AI工具包

• 试验Azure示例框架
• 学习用于代码分析的提示工程
• 练习迭代现代化技术

超越代码思考

• 考虑云原生设计的非功能性需求
• 规划分布式系统架构
• 记住：大多数COBOL程序执行简单的CRUD操作

最佳开始时间就是现在

与Julia对话中最有力的见解是：AI不会取代开发人员的专业知识。它会放大它。

COBOL专家带来不可替代的领域知识。现代开发人员带来关于架构和最佳实践的新视角。AI带来大规模的模式识别和翻译能力。

当这三种力量协同工作时，遗留系统现代化从不可能完成的挑战转变为可实现的项