Untersuchung der Machbarkeit großer komplexer Refactorings mit hybriden Ansätzen (z.B. KI Agenten + klassische dependency Informationen)
Hintergrund: SonarQube identifiziert sog. Code-Smells, die negative Auswirkungen auf die Wartbarkeit, Effizienz oder Sicherheit haben. Die Beseitigung dieser Code-Smells ist wichtig, wird jedoch oft vernachlässigt, weil der Aufwand dafür hoch ist. Bei komplexen Refactorings, die mehrere Klassen eines Paketes oder überhaupt das Gesamtprojekt betreffen, ist es noch schwieriger und aufwändiger, ohne spezielle Werkzeugunterstützung Refactorings durchzuführen. Auch LLM-basierte Systeme kommen hier an ihre Grenzen.
Ziel der Arbeit: Untersuchung und Entwicklung von (hybriden) Methoden für große Refactorings im obigen Sinne. Unter hybrid verstehen wir dabei eine sinnvolle Kombination von agentischen und klassischen Techniken (z.B. Bereitstellung von dependency-Informationen eines Projektes über ein Service).
Aufgaben:
- Literaturanalyse mit Fokus auf große / komplexe Refactorings
- Erprobung agentischer hybrider Ansätze für das Refactoring. Dabei sollen jedenfalls leistungsfähige MCP Server (z.B. https://github.com/DeusData/codebase-memory-mcp) eingebunden und evaluiert werden.
- Systematische und umfassende Evaluierung des entwickelten Ansatzes mit Fokus auf Effektivität, Zuverlässigkeit und Kosten (Token).
Erwartete Ergebnisse:
- Überblick über zuverlässige Refactoring-Techniken im agentischen Kontext
- Werkzeug-Prototyp für große Refactorings
- Hinweise auf die Eignung der realisierten Ansätze für große Refactorings auf Basis systematischer Evaluierungen
Betreuung: Reinhold Plösch