Der nachfolgende Text wurden mit KI erstellt und kann Fehler enthalten. Fehler gefunden? Bei GitHub editieren
Die Analyse großer Softwaresysteme stellt Architektinnen und Architekten vor massive Herausforderungen. Wenn ein Team von zwei bis drei Personen in kurzer Zeit ein System verstehen soll, an dem 60 Entwickler jahrelang gearbeitet haben, stoßen sie schnell an ihre Grenzen. Michael Stal und sein Team bei Siemens haben sich dieser Herausforderung gestellt und entwickelt den Siemens Architecture Review Agent (SARA) – ein LLM-basiertes System, das Architekturanalysen unterstützt.
Warum ein neues Tool?
Bestehende Architektur-Assessment-Tools wie SonarQube oder Understand verstehen zwar Syntax, scheitern aber bei semantischen Zusammenhängen. Hier setzt SARA an: Large Language Models (LLMs) können sowohl Code als auch Kontext verstehen und vermögen es, ein Gesamtbild einer Architektur zu erfassen – einschließlich Business-Ziele und Architekturentscheidungen.
Das System kombiniert mehrere Technologien intelligent: Retrieval Augmented Generation (RAG) nutzt Vektordatenbanken, um Inhalte über ihre Ähnlichkeit zu verknüpfen. Gleichzeitig spielen Knowledge Graphs eine zentrale Rolle, da sie die Beziehungen zwischen Komponenten abbilden. Tests zeigen, dass Knowledge Graphs sogar effektiver sind als alleiniges RAG – die KI erhält dadurch ein besseres Verständnis für Module, Klassen und deren Abhängigkeiten.
Der Multi-Agent-Ansatz
SARA funktioniert nicht mit einer einzelnen KI, sondern mit spezialisierten Agenten: Ein User-Input-Agent koordiniert die Aufgaben, spezialisierte Agenten analysieren verschiedene Programmiersprachen, andere konzentrieren sich auf Architektur-Patterns und SOLID-Prinzipien. Ein innovatives Element ist der Kritik-Agent, der versucht, Fehler in den Analysen anderer Agenten nachzuweisen – eine Art digitale Qualitätssicherung.
Menschliche Intelligenz bleibt essentiell
Ein kritischer Aspekt ist die Human-in-the-Loop-Strategie. LLMs halluzinieren bekanntlich gerne – sie erfinden Fakten, um plausibel zu wirken. SARA reagiert darauf, indem es bei Informationslücken proaktiv Rückfragen stellt und immer faktische Referenzen im Code anfordert. Diese müssen Menschen bestätigen oder korrigieren.
Praktische Anwendung
In der Praxis nutzt Siemens SARA für verschiedene Szenarien: Bei Akquisitionen ist schnelle Einschätzung von Softwarearchitekturen entscheidend. Bei Integrationsfragen hilft das System, potenzielle Probleme zu identifizieren. Die SWOT-Analyse (Strengths, Weaknesses, Opportunities, Threats) liefert strukturierte Übersichten.
Allerdings zeigen sich auch Grenzen: Die SWOT-Analysen fallen oft zu oberflächlich aus. Service-Mesh-Empfehlungen wirken manchmal wie Komplexität zur Bekämpfung von Komplexität. Hier braucht es Experten-Einschätzung und Nachfragen.
Fazit
SARA ist kein Ersatz für Architekten, sondern ein intelligenter Assistent. Das System reduziert manuelle Arbeit, liefert neue Perspektiven und hilft bei der Entdeckung von übersehenen Problemen. Sein großer Wert liegt in der Beschleunigung von Reviews in knappen Zeitfenstern und der Analyse sehr großer Codebases. Allerdings bleibt kritisches Hinterfragen unabdingbar – denn Context is King: Das richtige Verständnis des Kontexts entscheidet über die Qualität der Analyse.