Среди всех задач, с которыми сталкиваются технические команды, модернизация устаревшего программного обеспечения стоит особняком. Это не просто «написать что-то новое», а разобраться в уже работающем коде, понять, почему он функционирует именно так, и аккуратно переписать его – не сломав при этом важные компоненты. Эта задача трудоёмка, дорогостояща и требует времени, которого у большинства команд попросту нет.
Red Hat предложила подход, который пытается решить эту проблему с помощью ИИ-агентов – не одного универсального помощника, а целой скоординированной системы из нескольких специализированных агентов, работающих вместе. Авторы назвали это «сеткой агентов» (agent mesh).
Почему это вообще проблема
Устаревшие системы – это программы и кодовые базы, которые продолжают работать в производственной среде, несмотря на свой возраст. Они могут быть написаны на языках, которые уже почти не используются, в архитектурах, которые сложно масштабировать, и с логикой, которую трудно восстановить по документации – потому что документации может не быть или она давно устарела.
Переписывать такие системы вручную – долго. Команды могут годами работать над миграцией, а бизнес тем временем продолжает зависеть от старого кода. Проблема усугубляется тем, что задача не сводится только к программированию: нужно анализировать зависимости, понимать бизнес-логику, документировать поведение, тестировать результат. Это разные виды работы, и каждый из них требует своего подхода.
Идея: не один агент, а сетка
Ключевая идея подхода Red Hat – разделить задачу на части и назначить каждой части своего специализированного агента. Проще говоря: один агент не делает всё подряд, а каждый агент умеет делать что-то одно, но хорошо.
В описанной архитектуре агенты делятся на две категории: кодовые и некодовые. Кодовые агенты занимаются непосредственно работой с программным кодом – анализируют его структуру, выполняют рефакторинг, предлагают замены. Некодовые агенты решают сопутствующие задачи: разбираются в документах, восстанавливают контекст, формулируют требования.
Такое разделение позволяет подбирать для каждого агента подходящую языковую модель – не обязательно самую мощную и дорогую, а ту, которая лучше справляется именно с этим типом задач. Это важно с практической точки зрения: большие флагманские модели стоят дороже в использовании, а для многих подзадач они избыточны.
Как агенты работают вместе
Чтобы несколько агентов могли слаженно решать одну большую задачу, нужна структура, которая их координирует. В Red Hat эту роль выполняет так называемый «обвяз агента» (agent harness) – своего рода каркас, который задаёт порядок работы, распределяет задачи между агентами и собирает результаты.
По принципу работы это чем-то напоминает конвейер на производстве: каждый участок делает свою часть, передаёт результат дальше, и в конце получается готовый продукт – в данном случае, модернизированный фрагмент системы. При этом система достаточно гибкая, чтобы справляться с задачами разного масштаба, а не только с небольшими, заранее подготовленными примерами.
Отдельно стоит отметить, что подход ориентирован именно на так называемую «коричневую миграцию» (brownfield migration) – то есть на работу с уже существующими, живыми системами, а не на создание нового с нуля. Это принципиально сложнее: нужно работать с реальными ограничениями, сохранять совместимость и не нарушать то, что уже работает.
На чём всё это запускается
Платформой для реализации стали инструменты Red Hat в области ИИ – в частности, Red Hat OpenShift AI, которая обеспечивает инфраструктуру для запуска и управления моделями в корпоративной среде. Это не публичный облачный сервис, а решение, рассчитанное на организации, которым важно контролировать, где и как работают их данные и модели.
Выбор платформы здесь не случаен: устаревшие системы чаще всего встречаются именно в крупных организациях – государственных структурах, финансовых учреждениях, промышленных компаниях. Для них принципиально важны вопросы безопасности, соответствия требованиям и возможности развернуть решение в собственной инфраструктуре.
Что это означает на практике
Подход «сетки агентов» не претендует на то, чтобы полностью заменить инженеров. Скорее, он предлагает инструмент, который берёт на себя наиболее рутинную и масштабируемую часть работы – анализ кода, первичный рефакторинг, генерацию документации – и оставляет специалистам то, что требует реального понимания контекста и принятия решений.
Если такой подход действительно работает в промышленных масштабах, это может существенно ускорить модернизацию систем, которые годами стоят в очереди на переработку – просто потому, что у команд не хватает ресурсов взяться за них вручную. Вопрос, насколько надёжно агенты справляются с реально сложными и запутанными кодовыми базами, пока остаётся открытым – и именно это будет главным критерием оценки подобных систем в реальных условиях.
