Đối với các công ty công nghệ như Siemens, phần mềm là hệ thần kinh của các nhà máy, lưới điện và mạng lưới giao thông trên toàn thế giới. Tuy nhiên, sự đổi mới luôn đi kèm với một gánh nặng: mã nguồn di sản (legacy code).

Với các codebase lên tới hàng trăm triệu dòng được phát triển trong hơn một thập kỷ, Siemens đã đối mặt với một thách thức mà các công cụ AI tiêu chuẩn không thể giải quyết. Để vượt qua rào cản này, Siemens và Google Cloud đã hợp tác tạo ra Knowledge Fabric, một hệ thống AI để tự động hóa vòng đời phát triển phần mềm. Trong một dự án thí điểm, Knowledge Fabric đã giảm đáng kể nỗ lực triển khai, giúp các kỹ sư tập trung vào việc tạo ra giá trị cho khách hàng.

Bằng cách đưa toàn bộ hệ sinh thái phần mềm vào một hệ thống agentic (tác tử) thông minh được trang bị các knowledge graph (đồ thị tri thức) tùy chỉnh, chúng tôi không chỉ giúp các lập trình viên tối ưu hóa thời gian phát triển; chúng tôi đang cho phép các agent tự động suy luận dựa trên quá khứ để xây dựng tương lai. Điều này giúp giải phóng các kỹ sư khỏi công việc lặp đi lặp lại để họ có thể tập trung vào việc giải quyết các vấn đề có giá trị cao hơn.
– Franz Menzl, Senior Vice President, Product Creation Excellence tại Siemens

Thách thức: Độ phức tạp của phần mềm công nghiệp

Việc hiện đại hóa các hệ thống phần mềm quy mô lớn cấp công nghiệp thường được ví như việc “xây lại máy bay trong khi đang bay”. Đối với Siemens, thách thức này có bốn phương diện chính:

• Quy mô (Scale): Các kho mã nguồn cực kỳ lớn, vượt xa context window (cửa sổ ngữ cảnh) của các mô hình ngôn ngữ lớn (LLM) tiêu chuẩn.
• Phân mảnh (Fragmentation): Tri thức quan trọng bị phân tán trên mã nguồn, các ticket trên Jira, trang Confluence, và cả các tài liệu PDF được quét từ đầu những năm 2000.
• Phức tạp (Complexity): Việc truy vết mối liên kết giữa một dòng code cụ thể và một tài liệu yêu cầu chức năng từ 10 năm trước là một thách thức mà không công cụ thủ công hay thông thường nào có thể giải quyết hiệu quả.
• Trách nhiệm (Responsibility): Các hệ thống phải tuân thủ các yêu cầu nghiêm ngặt về chất lượng, tuân thủ và vòng đời, thường kéo dài từ 15 đến 20 năm. Do đó, các kết quả do AI tạo ra phải có thể giải thích, truy xuất và xác minh được.

Chúng tôi nhận ra rằng kỹ thuật RAG (retrieval-augmented generation) tiêu chuẩn là không đủ. Code không chỉ là văn bản; nó có cấu trúc vốn có. Một class thuộc về một file, file đó lại thuộc về một module. Việc “làm phẳng” cấu trúc đó vào một cơ sở dữ liệu vector đồng nghĩa với việc làm mất đi sự biểu diễn các mối quan hệ của các thành phần trong codebase.
– Agata Gołębiowska, Technical Lead, Google Cloud

Giải pháp: Knowledge Fabric – Nền tảng tri thức nhận biết chuyên sâu

Để giúp các quy trình làm việc do AI điều khiển có thể điều hướng được môi trường phần mềm rộng lớn này, đội ngũ đã xây dựng agent Knowledge Fabric. Agent này không chỉ dừng lại ở việc khớp từ khóa mà còn có khả năng “hiểu” các mối quan hệ giữa các tài sản.

Giải pháp sử dụng Spanner Graph để mô hình hóa cấu trúc vốn có của codebase và áp dụng sự chặt chẽ tương tự cho các tài liệu ở nhiều định dạng khác nhau. Bằng cách ánh xạ các kết nối, hệ thống có thể liên kết các đoạn code cụ thể trực tiếp với các yêu cầu trong tài liệu thiết kế. Các agent sau đó duyệt qua đồ thị này, sử dụng các công cụ để truy vấn cấu trúc thông qua Graph Query Language (GQL).

Nhưng GQL chỉ là một phần. Để cho phép hiểu ngữ nghĩa, hệ thống tạo ra các embedding cho mỗi nút, sử dụng thuật toán Approximate Nearest Neighbors (ANN) của Spanner để thực hiện tìm kiếm vector hiệu quả trên toàn bộ codebase. Cuối cùng, các agent được cung cấp khả năng full-text search (tìm kiếm toàn văn), có thể kết hợp với GQL để xác định chính xác các nút và cạnh.

Việc kết hợp ba phương pháp này cho phép một LLM agent trả lời các truy vấn phức tạp, chẳng hạn như: “Những hàm nào cần được cập nhật nếu tôi thay đổi logic trong Bảng điều khiển trục (Axis Control Panel)?” Hệ thống sẽ duyệt qua đồ thị, cân nhắc sự tương đồng về từ khóa và ngữ nghĩa, để xác định các phụ thuộc, truy xuất tài liệu liên quan và trình bày một phân tích tác động chính xác.

“Xẻ nhỏ con voi”: Quy trình làm việc của các AI agent

Một bài học quan trọng từ dự án là các AI agent gặp khó khăn với các nhiệm vụ lớn và mơ hồ. Để thành công, đội ngũ đã áp dụng một mô hình thiết kế được gọi là “xẻ nhỏ con voi” (slicing the elephant).

Thay vì một yêu cầu lớn như “tái cấu trúc module này”, hệ thống sẽ chia nhỏ nó thành các tác vụ nhỏ hơn, dễ quản lý hơn, mỗi tác vụ được xử lý bởi một agent chuyên biệt được xây dựng bằng Google Agent Development Kit (ADK):

• Search agent: Hoạt động như một chuyên gia nghiên cứu sâu. Nó sử dụng các công cụ để khám phá đồ thị mã nguồn và đối chiếu các phát hiện với tài liệu trong Agent Search.
• User story agent: Phỏng vấn chủ sở hữu sản phẩm để thu thập yêu cầu, sau đó soạn thảo các user story chi tiết với các tiêu chí chấp nhận được liên kết với bối cảnh hệ thống hiện có.
• Architecture impact agent: Phân tích các thay đổi được đề xuất dựa trên đồ thị để dự đoán các tác dụng phụ trước khi viết một dòng code nào.
• Task breakdown agent: Tiếp nhận phân tích từ agent tác động kiến trúc và chia công việc thành các nhiệm vụ nhỏ, dễ quản lý.
• Coding agent: Thực hiện thay đổi được mô tả trong một nhiệm vụ cụ thể. Việc triển khai bước này mà không có bối cảnh và phân tích trước đó sẽ tạo ra mã nguồn không thể sử dụng được.

Hệ thống luôn có sự giám sát của con người trong mỗi bước, đảm bảo kết quả đáng tin cậy, đạt chất lượng sản xuất và giúp các kỹ sư tập trung vào công việc có ý nghĩa.

Bằng cách ‘xẻ nhỏ con voi’ — chia các công việc tái cấu trúc phức tạp thành các nhiệm vụ nhỏ hơn do agent dẫn dắt — chúng tôi đã quan sát thấy sự gia tăng năng suất đáng kể. Về cơ bản, chúng tôi đã cung cấp cho AI lộ trình cần thiết để điều hướng sự phức tạp.
– Alexander Lomakin, Project Lead tại Siemens

Kết quả thí điểm: Kỹ thuật phần mềm nhanh hơn, hiệu quả hơn

Các lập trình viên đã thấy kết quả gần như ngay lập tức. Việc phân tích các phụ thuộc cho một tính năng mới từng đòi hỏi các kỹ sư cấp cao phải mất vài ngày để điều hướng các codebase và tài liệu cũ. Với Knowledge Fabric, công việc tương tự giờ đây chỉ mất một khoảng thời gian ngắn hơn nhiều.

Trong một dự án thí điểm sản xuất gần đây nhằm di chuyển các bảng điều khiển cũ sang giao diện dựa trên web hiện đại, Knowledge Fabric đã giảm tổng thể nỗ lực viết code trong khi vẫn bảo toàn tính toàn vẹn của hệ thống và các tiêu chuẩn chất lượng công nghiệp. Các kỹ sư giờ đây dành nhiều thời gian hơn để tạo ra giá trị cho khách hàng và ít hơn cho các công việc lặp đi lặp lại.