AI-міграція коду між мовами програмування

AI-міграція коду між мовами програмування

Нам часто приносять legacy-проєкти, де Python-бекенд потрібно перевести на TypeScript, а Java — на Kotlin. Переписувати вручну — дорого і довго: проєкт на 15 000 рядків займає 3–4 місяці, а бюджет іде в десятки тисяч доларів. Наприклад, для проєкту на 15 000 рядків ручна міграція коштує ~$25 000, а AI-міграція — ~$8 000, що економить 68% бюджету. Транспілятори на кшталт Babel або j2objc дають нечитабельний код без урахування ідіом: snake_case залишається snake_case, а Pydantic-моделі перетворюються на громіздкі класи. Ми побудували систему на основі LLM, яка не просто перекладає синтаксис, а адаптує архітектуру: замінює бібліотеки на ідіоматичні аналоги, переводить типи та валідує результат. У цій статті ділимося архітектурою та реальним кейсом міграції notification-сервісу з Python FastAPI у TypeScript.

Чому AI-міграція ефективніша за ручний рефакторинг?

Ручна міграція коду — завдання на тижні та місяці. AI-міграція в 5–7 разів швидша за ручну, що скорочує час з 3-4 місяців до 3-6 тижнів для проєктів до 15 000 рядків. При цьому код виходить ідіоматичним: snake_case перетворюється на camelCase, Pydantic-моделі — на Zod-схеми, а асинхронні виклики — на нативні Promise. Наш досвід показує, що 70–85% рядків мігрується без правок, решта 15% — складна бізнес-логіка, яку ми доопрацьовуємо вручну. Економія бюджету сягає 50–70% порівняно з ручним рефакторингом.

Як влаштована архітектура AI-міграції?

Наївний підхід — скормити LLM весь файл і попросити перекласти — працює лише для файлів до 200–300 рядків. Для реальних кодових баз ми використовуємо чотирикомпонентну архітектуру:

• Dependency Analyzer — будує граф залежностей між модулями та визначає порядок міграції. Використовує семантичний аналіз AST для аналізу імпортів.
• Chunk Splitter — розбиває файли на незалежні чанки (класи, функції, модулі), які можна мігрувати та тестувати ізольовано.
• Context Manager — передає в LLM уже мігровані залежності, щоб нові файли використовували правильні імпорти.
• Validator — компілює та тестує мігрований код, при помилках запускає автофікс.

Ключовий елемент — Glossary: словник відповідностей бібліотек вихідної мови та цільової. Наприклад, Pydantic → Zod, SQLAlchemy → Prisma, FastAPI → Express+Hono.

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

Як ми мігруємо ваш проєкт: етапи

1. Аналіз і підготовка glossary — вивчаємо вихідну кодову базу, будуємо граф залежностей, налаштовуємо відповідності бібліотек. Займає 1–2 дні.
2. Міграція ізольованих модулів — спочатку переносимо моделі, утиліти, потім сервіси та роути. Кожен файл компілюється та тестується окремо.
3. Інтеграція та автофікс — об'єднуємо мігровані модулі, запускаємо повну збірку. При помилках компіляції система автоматично виправляє їх через LLM.
4. Тестування — прогоняємо unit-тести (jest/vitest) та інтеграційні тести. Якщо покриття падає більш ніж на 10%, доопрацьовуємо тести вручну.
5. Здача результатів — передаємо код, документацію glossary, звіт про покриття та інструкцію з повторної міграції.

Практичний кейс: Python microservice → TypeScript

Контекст: стартап мігрував notification-сервіс (Python FastAPI, 3200 рядків) у TypeScript для уніфікації стеку (фронтенд команда знала лише JS/TS).

Обсяг: 28 файлів, 12 Pydantic моделей, 34 API endpoints, 180 юніт-тестів.

Процес (2 тижні):

• Тиждень 1: налаштування glossary, міграція моделей та утиліт (автоматично), ручне доопрацювання 3 складних файлів з бізнес-логікою.
• Тиждень 2: міграція роутів, адаптація тестів (Jest), інтеграційне тестування.

Результати:

• 85% коду мігровано автоматично без ручних правок.
• 15% потребувало доопрацювання (складна логіка з Python-специфічними ідіомами).
• TypeScript compilation errors: 47 → 0 (після 2 ітерацій LLM fix).
• Test coverage мігрованого сервісу: 71% (було 74% у Python — мінімальна втрата).
• Несподіваний плюс: у процесі міграції AI виявив 3 місця з потенційними race conditions у Python коді, які були виправлені у TypeScript версії.

Ми очікували автоматизацію лише простих файлів, але система впоралася з 85% коду — це зекономило нам 3 тижні ручної роботи. — зазначив стартап-інженер.

Що входить у результат міграції?

Ми передаємо повний пакет:

• Мігрований код на цільовій мові (вся кодова база).
• Документація glossary (відповідності бібліотек).
• Налаштований пайплайн компіляції та тестування.
• Звіт про покриття тестами.
• Інструкція з повторної міграції при оновленнях.

Кожен мігрований файл компілюється з флагом strict. При помилках запускається автофікс через LLM. Після міграції всіх файлів прогоняються unit-тести (jest) та інтеграційні тести. Якщо покриття падає більш ніж на 10%, ми доопрацьовуємо тести вручну. Весь процес повторюємо до повного успіху.

Скільки часу займає міграція?

Наша компанія має 5+ років досвіду в AI-міграції та реалізувала понад 30 проєктів. Зв'яжіться з нами для консультації з міграції кодової бази. Отримайте аналіз вашого проєкту за 1–2 дні та дізнайтеся точну економію часу та бюджету. Замовте консультацію — ми проаналізуємо ваш проєкт і запропонуємо оптимальний підхід.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.