Jeder Software-Architekt kennt das: Ein historisch gewachsenes System, über 15 Jahre alt. Der Code läuft stabil, aber die Dokumentation ist lückenhaft, veraltet oder schlicht nicht existent. Wer hier Änderungen plant oder neue Entwickler onboarden muss, betreibt digitale Archäologie.

Vor dieser Herausforderung stand ich kürzlich bei einem großen Konzernkunden. Das Entwicklerteam wochenlang mit dem manuellen Schreiben von Javadocs oder Readmes zu blockieren, stand außer Frage – das löst das Problem meistens ohnehin nur temporär, bis die Dokumentation beim nächsten Commit wieder veraltet.

Mein persönlicher Antreiber in solchen Momenten? Konstruktive Faulheit.

Ich habe eine tiefe Abneigung gegen repetitive Routineaufgaben. Um zu sehen, was technologisch heute machbar ist, habe ich mir die Frage gestellt: Können wir den ersten Schritt der Code-Analyse und der initialen Dokumentation automatisieren, um dem Team die monotone Vorarbeit abzunehmen?

Also habe ich mich für eine Woche hingesetzt und einen Proof of Concept (PoC) direkt an deren System hochgezogen. Das Ziel: Große Teile des Dokumentationsprozesses direkt aus dem Quellcode zu automatisieren.

Als technologisches Fundament nutze ich mein eigenes Open-Source-Framework prjxp (Project Expert) in Kombination mit der dazugehörigen Doc|Pipe-CLI.

Anstatt stumpf Text zu generieren, setzt der Ansatz auf eine modulare Pipeline:

1. Content-Aware Chunking: Der Code wird nicht nach Zeichenlänge, sondern nach semantischen Java-Strukturen (Klassen, Interfaces) zerlegt, um den Kontext für das LLM zu wahren.
2. Die Doc|Pipe Prompt-Template-Engine: Über eine Handlebars-Prompt-Engine und erweiterbare TemplateResolver steuern wir den Kontext hochgradig dynamisch. So lassen sich Quellcode-Strukturen (Source-Dumps), URLs, Groovy-Skripte oder prjxp-eigene RAG-Ergebnisse passgenau in die Prompts injizieren.
3. Optimierung & Change-Detection: Über einen SHA-256-Hash-Vergleich der Prompts wird nur neu dokumentiert, was sich im Code verändert hat. Das spart erhebliche Token-Kosten.

Das Ergebnis des PoC?

Die Pipeline analysiert den Code (aktuell fokussiert auf Java und TypeScript) und erzeugt einsatzbereite Markdown-Artefakte direkt im Projekt: Strukturierte READMEs für den schnellen Moduleinstieg und ein automatisiertes Architecture Assessment mit konkreten Refactoring-Empfehlungen.

Zusätzlich macht ein integrierter MCP-Server das Projektwissen direkt in der IDE semantisch abfragbar. Und um die Praxistauglichkeit zu beweisen, ist das Framework komplett self-documenting: Jedes Dokument im GitHub-Repository wurde vollständig automatisiert von der eigenen Pipeline erzeugt.

Aber bleiben wir realistisch (und hier sehe ich auch die klare Grenze):

Code beschreibt das „Wie“, aber selten das „Why“. Eine KI kann Legacy-Strukturen analysieren, verständlich aufbereiten und uns tonnenweise Fleißarbeit abnehmen. Sie kann jedoch niemals die historischen Gründe, die Business-Kontexte oder die bewussten Trade-offs menschlicher Architekten ersetzen. (Das zeigen z.B. auch die ArchitectureAssessments, die prjxp über sich selbst erzeugt)

Die Architektur ist über offene Schnittstellen (SPI) für neue Sprachen und Tools erweiterbar. Das Projekt läuft als Open Source auf GitHub – schaut gerne mal unter die Haube, wie die Pipeline sich selbst dokumentiert. Den Link findet ihr im ersten Kommentar unten.

#Java #SoftwareArchitecture #LegacyCode #AI #OpenSource #SoftwareEngineering #Automation

Der Beitrag Vom Umgang mit digitaler Archäologie in Legacy-Systemen. erschien zuerst auf Carsten Spräner.

Project Context: A legacy system used by the client featured outdated documentation and poorly documented code. The goal was to re-document the system and verify the accuracy of existing documentation. To achieve this, I developed a prototype for an AI-based „Project Expert“ that aggregates code and documentation into a vector database (ChromaDB) and generates focused responses to internal user queries via an LLM. This Agentic RAG system is utilized to assess document relevance and locate specific requirements within the implemented code. A critical requirement was the exclusive use of internal AI models to ensure full data compliance.

Technical Details:

• Ingestion of Code and Documentation:
  • Development of a highly flexible process for converting project documents to Markdown.
  • Technologies: langchain4j, JavaParser, Apache POI, Flexmark, and Tika.
• Vector Embedding:
  • Embedding of chunks into a ChromaDB vector database.
  • Technologies: langchain4j, Ollama with mxbai-embed-large.
• Prompt Provisioning & Interface:
  • Deployment of a WebComponent frontend for website integration.
  • McP-Server integration for chat applications.
  • Technologies: ChromaDB, Ollama.

My Contribution: Responsible for the feasibility study and conceptual design. Lead architect for the system design and implementation of the prototype. Provisioning of the application as a Docker container on the company’s internal development server.

Tech Stack: Java, Spring Boot, spring-ai, langchain4j, ChromaDB, Ollama, mxbai-embed-large, Docker, Apache POI, Tika, Markdown.

Der Beitrag 04/2026 – today: Transportation (rails) erschien zuerst auf Carsten Spräner.

Der Beitrag 10/2023 – 04/2026: Transportation (Rails) erschien zuerst auf Carsten Spräner.

Der Beitrag 04/2022 – 10/2023: Department of Justice erschien zuerst auf Carsten Spräner.

Creation of a model-driven approach for the TALL stack.

Within the openSource project cgv19 a model driven approach for the TALL stack (TailwindCSS, AlpineJS, Livewire, Laravel) and the Laravel extension Filament-3 was developed. The project is developed and available as an openSource project on

https://github.com/carstenSpraener/cgV19

It can generate a runnable application from a diagram, as shown here:

Details

• Familiarization with Laravel, Tailwind CSS, AlpineJS, Livewire and Filament-3.
• Implementation of the cartridge for Laravel (LowCode for Laravel/Filament with cgv19)

Activities

Implementation of templates for cgv19 according to programming standards in Laravel and Filament. Implementation of tests for the code generators. Optimization of the generated PHP sources for round-trip engineering with model-driven methods.

IT-Technology

Tailwind CSS, AlpineJS, Livewire, Laravel, PhpStorm, Visual Paradigm, PHP-8, cgv19, Groovy

Der Beitrag 07/2023 – Today: Learning the TALL-Stack (Advanced Training) erschien zuerst auf Carsten Spräner.

Der Beitrag 07/2023 – Today: Prototype of a Symfony Application (Own Development) erschien zuerst auf Carsten Spräner.

Der Beitrag 06/2023: IT Service Industry erschien zuerst auf Carsten Spräner.

Der Beitrag 10/2014 – 02/2022: E-Commerce erschien zuerst auf Carsten Spräner.

Der Beitrag 06/2021 – 11/2021: Global Retailer erschien zuerst auf Carsten Spräner.

Der Beitrag 07/2019 – 04/2021: Public Administration erschien zuerst auf Carsten Spräner.