نقطه قوت اصلی Konveyor در رویکرد کل نگر آن به مهاجرت و نوسازی نهفته است. هسته اصلی عملکرد Konveyor موتور تجزیه و تحلیل قدرتمند آن است. این موتور تجزیه و تحلیل استاتیک کد منبع را انجام می دهد، ضد الگوها و مسائلی را شناسایی می کند که ممکن است مانع از اجرای برنامه بر روی یک پلت فرم هدف شوند. موتور تجزیه و تحلیل Konveyor با استفاده از استانداردهای جامعه مانند پروتکل سرور زبان، از قوانین طراحی شده برای کمک به سناریوهای مختلف مهاجرت استفاده می کند. کاربران همچنین می توانند قوانین سفارشی را برای رفع نیازهای مهاجرتی خاص ایجاد کنند و انعطاف پذیری و سازگاری Konveyor را افزایش دهند.
Konveyor AI – “KAI” را وارد کنید
Konveyor AI، آخرین پیشرفت تحت چتر Konveyor، از هوش مصنوعی مولد برای ساده‌تر کردن مدرن‌سازی اپلیکیشن‌ها استفاده می‌کند. هدف اصلی Konveyor AI (یا Kai) خودکار کردن تغییرات کد منبع است که در نتیجه اقتصاد مهاجرت و تلاش‌های مدرن‌سازی را بهبود می‌بخشد.
رویکرد ما استفاده از تجزیه و تحلیل کد ایستا برای یافتن مناطقی در کد منبع است که باید تبدیل شوند. “kai” اطلاعات تجزیه و تحلیل را می خزد و با LLM برای ایجاد تغییرات کد برای حل و فصل حوادث شناسایی شده توسط تجزیه و تحلیل کار می کند. این رویکرد نیازی به تنظیم دقیق LLM ها ندارد، ما دانش LLM را از طریق سریع، مشابه رویکردهای RAG، با استفاده از داده های خارجی از داخل Konveyor و قوانین تجزیه و تحلیل برای کمک به LLM ها در ایجاد نتایج بهتر گسترش می دهیم. برای مثال، قوانین parser-lsp مانند اینها (مجموعه قوانین Java EE به Quarkus) برای کمک به هدایت LLM برای به روز رسانی برنامه جاوا EE قدیمی به Quarkus استفاده می شود.
یک پست وبلاگ عالی توسط جان متیوز، یکی از مهندسان اصلی پروژه وجود دارد که کای را به طور عمیق توضیح می دهد.
مدل زبان BYO بزرگ
یکی از ویژگی های قابل توجه Kai رویکرد مدل-آگنوستیک آن است. بر خلاف راه حل های دیگر، Kai یک مدل زبان بزرگ خاص (LLM) را شامل نمی شود. در عوض، Konveyor را برای تعامل با LLM های مختلف گسترش می دهد و انعطاف پذیری برای استفاده از مناسب ترین مدل برای هر زمینه مهاجرت خاص را فراهم می کند. این رویکرد تضمین می کند که سازمان ها می توانند استراتژی های مهاجرت خود را بدون قفل شدن در یک فناوری واحد بهینه کنند.
استفاده عملی: از Java EE تا Quarkus
دمو در ویدیوی زیر اصلاح شده است. برای آموزش نصب به این پست مراجعه کنید
https://www.youtube.com/watch?v=cXJPHdETwcY
دمو کوتاه نشان می دهد که چگونه هوش مصنوعی Konveyor مهاجرت از چارچوب های قدیمی مانند Java EE به راه حل های مدرن مانند Quarkus را تسهیل می کند. این فرآیند با تجزیه و تحلیل کد ایستا با استفاده از Konveyor CLI آغاز می‌شود که مشکلات مهاجرت را در پایگاه کد شناسایی می‌کند. هنگامی که تجزیه و تحلیل کامل شد، Konveyor AI برای ایجاد وصله‌هایی برای مسائل شناسایی‌شده، با استفاده از LLM برای پیشنهاد تغییرات دقیق کد وارد عمل می‌شود.
به عنوان مثال، حاشیه نویسی های قدیمی جاوا EE به طور یکپارچه با آنالوگ های مدرن جاکارتا EE جایگزین می شوند، دانه های پیام محور مبتنی بر JMS به حاشیه نویسی JakartaEE تبدیل شدند و فناوری های قدیمی مانند EJB به نقاط پایانی REST تبدیل شدند. این تغییرات می‌تواند توسط یک توسعه‌دهنده در یک محیط توسعه یکپارچه (IDE) تأیید شود، که نشان می‌دهد چگونه هوش مصنوعی Konveyor در جریان‌های کاری توسعه‌دهنده موجود ادغام می‌شود. Konveyor AI این کار را با استفاده از پسوند KAI انجام می دهد.
برای یک نسخه نمایشی و ارائه دقیق، این اپیزود مشترک OpenShift را تماشا کنید که در آن رامون و من جزئیات را بررسی می‌کنیم.
Why should I use Konveyor AI's or how? قدرت “کای” در توانایی آن در خودکارسازی وظایف مهاجرت تکراری با استفاده از دانش انباشته شده از مهاجرت های قبلی نهفته است. با تمرکز بر تغییر کد به جای تغییرات معماری، Kai ابزاری قوی برای مدرن سازی موثر برنامه ها ارائه می کند. این به توسعه دهندگان قدرت می دهد تا تصمیمات آگاهانه بگیرند و انتقال نرم تر به چارچوب های مدرن و محیط های ابری را ممکن می سازد.
برای امتحان آخرین ساخت، به دستورالعمل‌های اینجا بروید.
از طریق لیست های پستی، کانال های Slack و ملاقات های منظم در جامعه Konveyor شرکت کنید.
