Phase 19: Capstone Projects

Capstone 09 Agent de migration de code (langue de niveau répo / mise à niveau du temps d'exécution)

Le MigrationBench d'Amazon (Java 8 à 17) et le migrateur Py2-to-Py3 de Google app Engine fixent la barre de 2026. L'OpenRewrite de Moderne réécrit des réécrits déterministes à l'échelle AST. Grit cible le même problème avec le modèle de code-mod DSL. Le modèle de production combine les deux: un substrat déterministe pour les réécrits sûrs plus une couche d'agent pour les cas ambiguos, une boîte à sable pour les constructions par branche et un harnais d'essai qui se déclenche en vert avant l'ouverture du PR. Le but est de migrer 50 réels repos et de publier un taux de réussite avec une taxonomie de défaillance.

Type: Capstone

Languages: Python (agent), Java / Python (targets), TypeScript (dashboard)

Prerequisites: Phase 5 (NLP), Phase 7 (transformers), Phase 11 (LLM engineering), Phase 13 (tools), Phase 14 (agents), Phase 15 (autonomous), Phase 17 (infrastructure)

Phases exercised:P5 · P7 · P11 · P13 · P14 · P15 · P17

Time: 30 hours

Problème

La migration de code à grande échelle est l'une des applications de production les plus propres des agents de codage de 2026. La vérité de base est évidente (la suite de tests passe-t-elle après la migration ?), les récompenses sont réelles (une migration de flotte Java-8 est un projet à l'échelle du personnel) et les critères de référence sont publics (sous-ensemble de MigrationBench 50 répo). L'OpenRewrite de Moderne traite du côté déterministe. La couche agent gère tout ce que les recettes OpenRewrite ne peuvent pas: réécrits ambiguës, dérive du système de construction, syntaxe à longue queue, rupture de dépendance transitive.

Vous construirez un agent qui prend un repo Java 8 (ou Python 2 repo) et produit une branche migrée de CI verte. Vous mesurerez le taux de réussite, la préservation de la couverture des tests, le coût par repo et construirez une taxonomie de défaillance.

Concept

Le pipeline a deux couches.deterministic substrate(OpenRewrite pour Java, libcst pour Python) exécute la plupart des réécrits mécaniques en toute sécurité: importations, signatures de méthode, modifications de sécurité nulles, essayez-les avec des ressources, remplacements d'API dépassés.agent layer(OpenAI Agents SDK ou LangGraph sur Claude Opus 4.7 et GPT-5.4-Codex) traite des cas que les recettes ne peuvent pas: mises à niveau de fichiers de construction (Maven/Gradle/pyproject), conflits de dépendance transitifs, feuilles de test, annotations personnalisées.

Chaque repo reçoit une boîte à sable Daytona avec le temps d'exécution cible préinstallé. L'agent itérée: exécuter la construction, classer les défaillances, appliquer la correction, réexécuter. Limits d'intensité: 30 minutes par repo, 8 $ par repo, 20 tournées d'agent. Si tous les tests passent et que le delta de couverture n'est pas négatif, la branche ouvre un PR. Si non, le repo est déposé sous une classe de défaillance avec des preuves.

La taxonomie de l'échec est la livrable. Sur 50 repos, ce qui est cassé? transitive deps? annotations personnalisées? construire version de l'outil? test flocons non liés à la migration? chaque classe obtient un compte et un exemplaire différence. Les futurs auteurs de recettes peuvent cibler les trois premiers.

Architecture

target repo
      |
      v
OpenRewrite / libcst deterministic recipes
   (safe, fast, auditable, ~70-80% of fixes)
      |
      v
Daytona sandbox per branch
      |
      v
agent loop (Claude Opus 4.7 / GPT-5.4-Codex):
   - run build -> capture failures
   - classify failures (build, test, lint)
   - apply fix (patch or retry recipe)
   - rerun
   - budget: 30 min, $8, 20 turns
      |
      v
test + coverage delta gate
      |
      v (passed)
open PR
      |
      v (failed)
file under failure class + attach repro

La pile

Substrate déterministe: OpenRewrite (Java) ou libcst (Python)
Agent: OpenAI Agents SDK ou LangGraph sur Claude Opus 4.7 + GPT-5.4-Codex
Sandbox: décontainers Daytona par branche, temps d'exécution cible préinstallé (Java 17 / Python 3.12)
Systèmes de construction: Maven, Gradle, uv (Python)
Les critères de référence: Amazon MigrationBench 50 répo sous-ensemble (Java 8 à 17), Google App Engine Py2-to-Py3 repos
Harness de test: coureur parallèle, couverture via Jacoco (Java) ou couverture.py (Python)
Observabilité: Langfuse + trace bundle par repo avec chaque différence de pièce
Tableau de bord: tableau de bord de la taxonomie des défaillances avec le nombre par classe et les différences exemplaires

Faites-le

Recipe pass.Exécutez d'abord des recettes OpenRewrite (Java) ou libcst (Python).

Build trial.Si c'est vert, passe aux tests, si c'est rouge, passez à l'agent.

Agent loop.LangGraph avec des outils: run_build- Je suis là .read_file- Je suis là .edit_file- Je suis là .run_test- Je suis là .git_diffL'agent classifie l'échec (profondeur, syntaxe, test, outil de construction) et applique une correction ciblée.

Budget caps.30 minutes de temps par répondeur, 8 $, 20 tournées d'agent.

Test + coverage gate.Après la mise en place est verte, exécutez la suite de test. Comparer la couverture à la repo de base. Si la couverture a chuté de plus de 2%, le fichier sous " couverture_régrésion ".

PR open.En cas de succès, appuyez sur la branche, ouvrez la relation avec la différence et un résumé des recettes appliquées et qui engage l'agent auteur.

Failure taxonomy.Pour chaque repo raté, étiquettez avec une classe: dep_upgrade_required- Je suis là .build_tool_drift- Je suis là .custom_annotation- Je suis là .test_flake- Je suis là .syntax_edge_case- Je suis là .budget_exhausted- Faites un tableau de bord.

50-repo run.Exécuter dans le sous-ensemble MigrationBench. Rapporte le taux de réussite par classe, le coût par rapport au rapport, la couverture-conservation et une ligne de base comparative uniquement.

Utilisez-le

$ migrate legacy-java-service --target java17
[recipe]   27 rewrites applied (JUnit 4->5, HashMap initializer, try-with-resources)
[build]    FAIL: cannot find symbol sun.misc.BASE64Encoder
[agent]    turn 1 classify: removed_jdk_api
[agent]    turn 2 apply: sun.misc.BASE64Encoder -> java.util.Base64
[build]    OK
[tests]    412/412 passing; coverage 84.1% -> 84.3%
[pr]       opened #1841  cost=$3.20  turns=4

La faire partir

outputs/skill-migration-agent.mdIl est le délivrable. Il exécute des recettes déterministes puis une boucle d'agent pour produire une branche migrée verte, ou dépose le repo sous une classe de taxonomie.

Weight	Criterion	How it is measured
25	MigrationBench pass rate	50-repo subset pass@1
20	Test-coverage preservation	Mean coverage delta vs base
20	Cost per migrated repo	$/repo on passing runs
20	Agent / deterministic-tool integration	Fraction of fixes that OpenRewrite handled vs agent authored
15	Failure analysis write-up	Taxonomy completeness with exemplars
100

Exercices

Exécutez le pipeline de migration avec OpenRewrite seulement (pas d'agent). Comparer le taux de passage à l'ensemble du pipeline. Identifiez les cas où l'agent seul est la différence.

Implémenter un contrôle "lint-clean": après la migration, exécuter un style linter (semplifié pour Java, ruff pour Python). Faire défaut de la PR si de nouvelles erreurs de lint apparaissent. Mesurer le taux de couverture conservé mais style-régressés.

Ajouter un optimisateur de "différence minimale": après que la branche de l'agent ait passé les tests, éliminer les changements inutiles avec un deuxième passage.

Extension à une troisième migration: Node 18 vers Node 22. Reutilisez l'emballage de la boîte à sable; échangez la couche de recette pour un codemod personnalisé.

Mesurer le temps de la première construction verte (TTFGB) en tant que métrique UX. Objectif: p50 en moins de 10 minutes.

Les termes clés

Term	What people say	What it actually means
Deterministic substrate	"Recipe engine"	OpenRewrite / libcst: declarative AST rewrites with safety guarantees
Codemod	"Code-modifying program"	A rewrite rule that changes source code mechanically
Build drift	"Tool version skew"	Subtle Maven / Gradle / uv behavior changes between major versions
Failure class	"Taxonomy bucket"	A labeled reason a repo did not migrate: dep, syntax, test, build-tool, budget
Coverage delta	"Coverage preservation"	Change in test coverage % from base to migrated branch
Agent turn	"Tool-call round"	One plan -> act -> observe cycle in the agent loop
Budget exhaustion	"Hit the ceiling"	The repo consumed its 30-min / $8 / 20-turn limit without passing

Pour en savoir plus

Amazon MigrationBench le point de référence canonique de 2026
Moderne.io OpenRewrite platform la référence déterministe du substrat
OpenRewrite documentation rédaction de recettes
Grit.io mode de code DSL alternatif
OpenAI sandboxed migration cookbook la référence au KDD des agents
Google App Engine Py2 to Py3 migrator référence de migration alternative
libcst Substrate déterministe de Python
Daytona sandboxes référence par branche

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.