AI-миграция кода между языками программирования

AI-миграция кода между языками программирования

Нам часто приносят legacy-проекты, где Python-бэкенд нужно перевести на TypeScript, а Java — на Kotlin. Переписывать вручную — дорого и долго: проект на 15 000 строк занимает 3–4 месяца, а бюджет уходит в десятки тысяч долларов. Транспиляторы вроде Babel или j2objc дают нечитаемый код без учёта идиом: snake_case остаётся snake_case, а Pydantic-модели превращаются в громоздкие классы. Мы построили систему на основе LLM, которая не просто переводит синтаксис, а адаптирует архитектуру: заменяет библиотеки на идиоматические аналоги, переводит типы и валидирует результат. В этой статье делимся архитектурой и реальным кейсом миграции notification-сервиса из Python FastAPI в TypeScript.

Почему AI-миграция эффективнее ручного рефакторинга?

Ручная миграция кода — задача на недели и месяцы. AI-миграция сокращает время в 5–7 раз для проектов до 15 000 строк. При этом код получается идиоматическим: snake_case превращается в camelCase, Pydantic-модели — в Zod-схемы, а асинхронные вызовы — в нативные Promise. Наш опыт показывает, что 70–85% строк мигрируется без правок, оставшиеся 15% — сложная бизнес-логика, которую мы дорабатываем вручную. Экономия бюджета достигает 50–70% по сравнению с ручным рефакторингом.

Как устроена архитектура AI-миграции?

Наивный подход — скормить LLM весь файл и попросить перевести — работает только для файлов до 200–300 строк. Для реальных кодовых баз мы используем четырёхкомпонентную архитектуру:

• Dependency Analyzer — строит граф зависимостей между модулями и определяет порядок миграции. Использует AST для анализа импортов.
• Chunk Splitter — разбивает файлы на независимые чанки (классы, функции, модули), которые можно мигрировать и тестировать изолированно.
• Context Manager — передаёт в LLM уже мигрированные зависимости, чтобы новые файлы использовали правильные импорты.
• Validator — компилирует и тестирует мигрированный код, при ошибках запускает автофикс.

Ключевой элемент — Glossary: словарь соответствий библиотек исходного языка и целевого. Например, Pydantic → Zod, SQLAlchemy → Prisma, FastAPI → Express+Hono.

# source: Python, target: TypeScript
pydantic.BaseModel: zod.ZodObject
sqlalchemy.orm.Session: prisma.PrismaClient
fastapi.FastAPI: express.Application

Как мы мигрируем ваш проект: этапы

1. Анализ и подготовка glossary — изучаем исходную кодовую базу, строим граф зависимостей, настраиваем соответствия библиотек. Занимает 1–2 дня.
2. Миграция изолированных модулей — сначала переносим модели, утилиты, затем сервисы и роуты. Каждый файл компилируется и тестируется отдельно.
3. Интеграция и автофикс — объединяем мигрированные модули, запускаем полную сборку. При ошибках компиляции система автоматически исправляет их через LLM.
4. Тестирование — прогоняем unit-тесты (jest/vitest) и интеграционные тесты. Если покрытие падает более чем на 10%, дорабатываем тесты вручную.
5. Сдача результатов — передаём код, документацию glossary, отчёт о покрытии и инструкцию по повторной миграции.

Практический кейс: Python microservice → TypeScript

Контекст: стартап мигрировал notification-сервис (Python FastAPI, 3200 строк) в TypeScript для унификации стека (фронтенд команда знала только JS/TS).

Объём: 28 файлов, 12 Pydantic моделей, 34 API endpoints, 180 юнит-тестов.

Процесс (2 недели):

• Неделя 1: настройка glossary, миграция моделей и утилит (автоматически), ручная доработка 3 сложных файлов с бизнес-логикой.
• Неделя 2: миграция роутов, адаптация тестов (Jest), интеграционное тестирование.

Результаты:

• 85% кода мигрировано автоматически без ручных правок.
• 15% потребовало доработки (сложная логика с Python-специфичными идиомами).
• TypeScript compilation errors: 47 → 0 (после 2 итераций LLM fix).
• Test coverage мигрированного сервиса: 71% (было 74% в Python — минимальная потеря).
• Неожиданный плюс: в процессе миграции AI выявил 3 места с потенциальными race conditions в Python коде, которые были исправлены в TypeScript версии.

Мы ожидали автоматизацию только простых файлов, но система справилась с 85% кода — это сэкономило нам 3 недели ручной работы. — отметил стартап-инженер.

Что входит в результат миграции?

Мы передаём полный пакет:

• Мигрированный код на целевом языке (вся кодовая база).
• Документация glossary (соответствия библиотек).
• Настроенный пайплайн компиляции и тестирования.
• Отчёт о покрытии тестами.
• Инструкция по повторной миграции при обновлениях.

Каждый мигрированный файл компилируется с флагом strict. При ошибках запускается автофикс через LLM. После миграции всех файлов прогоняются unit-тесты (jest) и интеграционные тесты. Если покрытие падает более чем на 10%, мы дорабатываем тесты вручную. Весь процесс повторяем до полного успеха.

Сколько времени занимает миграция?

Свяжитесь с нами для консультации по миграции кодовой базы. Получите анализ вашего проекта за 1–2 дня и узнайте точную экономию времени и бюджета. Закажите консультацию — мы проанализируем ваш проект и предложим оптимальный подход.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.