ملخص تقني: إعادة هندسة البرمجيات القائمة على المواصفات عبر نموذج (كود–نص–كود) بوساطة النماذج اللغوية الكبيرة (LLMs)

1. بيان المشكلة

تُستخدم النماذج اللغوية الكبيرة (LLMs) بشكل متزايد في عمليات هجرة البرمجيات، وإعادة صياغة الكود (Refactoring)، وتوليد الكود من جديد. ومع ذلك، تواجه نهج التحويل المباشر من (كود إلى كود) قيوداً كبيرة، تشمل:

• الانحراف الدلالي (Semantic Drift): قد تحافظ النماذج على البنية النحوية السطحية مع تغيير المنطق التجاري الأساسي أو إدخال تغييرات سلوكية خفية.
• المخرجات غير المتوافقة مع الأنماط (Non-Idiomatic Output): قد تحتفظ الكود المُولد بتركيبات لغوية من اللغة المصدر لا تتناسب مع البيئة المستهدفة.
• فقدان التتبع (Traceability Loss): غالباً ما يفتقر النظام إلى وجود رابط واضح بين الكود المصدر، وتفسير النموذج، والمنتج المُعاد توليده.
• الفجوات السياقية (Contextual Gaps): غالباً ما يفشل الترجمة المباشرة في مراعاة تبعيات البيانات، ومعالجة الاستثناءات، والافتراضات غير الوظيفية.

تجادل الورقة بأن تطور البرمجيات بوساطة النماذج اللغبية الكبيرة لا ينبغي النظر إليه مجرد توليد كود، بل كعملية إعادة هندسة محكومة تتطلب طبقات تمثيل وسيطة لضمان الاتساق الدلالي والحفاظ على البنية.

2. المنهجية: إطار عمل (كود–نص–كود)

يقدم إطار العمل المقترح نموذج إعادة هندسة (كود–نص–كود) قائم على المواصفات. يتم تعريف تدفق التحويل الأساسي كالتالي:
$$C_0 \rightarrow S_n \rightarrow C_1$$
حيث يمثل $C_0$ الكود المصدر، و $S_n$ هو مواصفات نصية محايدة، و $C_1$ هو الكود المستهدف المُعاد توليده.

أ. المواصفات النصية المحايدة ($S_n$)

على عكس التلخيص البسيط للكود، فإن $S_n$ عبارة عن منتج مهيكل وقابل للتحقق مصمم لالتقاط:

• سلوك البرنامج، والمعرفات (Identifiers)، والتدفق الحسابي.
• الشروط، والآثار الجانبية، وتبعيات البيانات.
• القصد الخاص بالمجال (Domain-specific intent) دون انحياز نحو بناء جملة لغة المصدر.
  وهي تعمل كـ "وسيط دلالي" يفصل بين ماذا يفعل البرنامج و كيف يتم تنفيذه.

ب. طبقة تمثيل المعرفة

يدمج إطار العمل طبقات تمثيل متعددة لدعم التتبع والتحقق:

• استخراج الـ AST والبيانات الوصفية (Metadata Extraction): استخراج مهيكل للحقائق (أسماء الدوال، التواقيع، التبعيات) لتقييد عملية التوليد وتقليل الهلوسة.
• الأنطولوجيا والتعليق الدلالي (Ontology & Semantic Annotation): ربط التمثيلات الوسيطة بمعرفة مهيكلة (مثل OWL/SKOS) لدعم الاستدلال وإعادة الاستخدام.
• التمثيل الرسومي (Graph Representation): استخدام رسوم بيانية لخصائص الكود (CPG) لتتبع التبعيات (الاستدعاءات، القراءات، الكتابات) وتقدير خسائر التحويل.
• الاسترجاع الهجين (Hybrid Retrieval): الجمع بين البحث الشعاعي (Vector Search) (للتشابه الدلالي) مع التنقل في الرسم البياني (لتبعيات البنية) وتصفية البيانات الوصفية لضبط مرحلتي (Code2Text) و (Text2Code).

ج. بنية خط الأنابيب (Pipeline Architecture)

يتضمن خط الأنابيب النهائي من البداية للنهاية ما يلي:

1. استخراج السياق الحقائقي: جمع المعرفات والتبعيات قبل توليد المواصفات.
2. توليد (Code2Text): إنشاء المواصفات النصية المحايدة الأولية باستخدام تقنية RAG والسياق الحقائقي.
3. التحقق والتنقيح التكراري: مقارنة المواصفات مع الكود المصدر للكشف عن السلوكيات المفقودة أو الافتراضات المفرطة.
4. العنصر البشري في الحلقة (Human-in-the-Loop): تصحيح اختياري من قبل الخبراء للمنطق التجاري الغامض أو الافتراضات الخفية.
5. توليد (Text2Code): توليد كود الهدف بناءً على المواصفات التي تم التحقق منها، مع ضمان تنفيذ نمطي (Idiomatic) للغة المستهدفة.
6. التحقق من الهدف: التحقق من صحة بناء الجملة (Syntax)، والتكافؤ الوظيفي، واستقرار الواجهة.
7. تغذية راجعة من نظام إدارة قواعد البيانات (DBMS Feedback) (لـ SQL): استخدام التحقق القائم على التنفيذ لضمان الصحة الخاصة بلهجة قواعد البيانات المستخدمة.

د. التجزئة المدركة دلالياً (Semantic-Aware Chunking)

تؤكد الورقة أن التجزئة الساذجة تكسر الوحدات الدلالية. لذا تقترح "تجزئة كود مثالية" تُعرف بالذرية (Atomicity)، والقابلية للتحليل الذاتي، والوعي الدلالي، والتي يتم تقييمها عبر مقاييس مثل (Boundary F1) و (Chunk Certainty).

3. المساهمات الرئيسية

تقدم الورقة خمس مساهمات رئيسية:

1. التفسير المفاهيمي: إعادة صياغة (كود–نص–كود) ليس كخط أنابيب ترجمة، بل كعملية إعادة هندسة قائمة على المواصفات حيث يكون النص المحايد منتجاً معرفياً محكوماً.
2. بنية خط الأنابيب: نظام شامل يدمج الاستخراج الحقائقي، والتحقق التكراري، والتصحيح البشري، والتغذية الراجعة المدعومة من DBMS.
3. نموذج تمثيل المعرفة: نموذج موحد يجمع بين بيانات AST الوصفية، والأنطولوجيا، وتبعيات الرسم البياني، والنص المحايد لربط الكود المصدر، والوثائق، والمنتجات المعاد توليدها.
4. التقييم التجريبي: مجموعة بيانات تغطي لغات متعددة (Java, Python, C++, SQL dialects) وبروتوكول تقييم يقارن التمثيلات الوسيطة (Pseudocode, Graph IR, Compiler IR, Natural Language IR).
5. التقدير الرسمي للخسارة: صياغة رسمية قائمة على الرسم البياني لقياس خسائر التحويل باستخدام:
   • الحفاظ الهيكلي الاتجاهي ($\alpha$): قياس الاحتفاظ بتبعية المصدر.
     টি التوافق العكسي ($\beta$): قياس إدخال تبعيات غير ضرورية للغة المستهدفة.
   • الحفاظ على الواجهة ($\delta_{IO}$): ضمان استقرار المدخلات والمخرجات.
   • إجمالي التشابه الرسومي ($S$): متوسط توافقي موزون للعناصر أعلاه.

4. النتائج التجريبية

أجرى المؤلفون تجارب باستخدام مجموعة بيانات تضم 1,000 نص برمجي لكل لغة عبر تسع لغات برمجة وخمس لهجات SQL.

• مقارنة التمثيل الوسيط: أظهر التمثيل الطبيعي للغة (Natural Language IR) (المواصفات النصية المحايدة) أعلى ملاءمة عملية للتحويل بوساطة النماذج اللغوية الكبيرة مقارنة بالـ Pseudocode أو الـ Graph-based IR أو الـ Compiler IR.
• تقييم الاسترجاع: أثبت الاسترجاع الشعاعي (Vector retrieval) دقة أكبر في الصلة الدلالية، بينما قدم استرجاع الرسم البياني (Graph retrieval) زمن انتقال (Latency) أقل في التنقل عبر التبعيات. وتمت التوصية بـ نهج هجين.
• تحويل الوثائق: في تجارب تحويل (TechDoc-to-BusinessDoc)، اجتاز 22 من أصل 24 جزءاً (Chunk) عملية التحقق. تضمنت حالات الفشل تشوهات في المنطق أو إغفال النطاق، مما يسلط الضوء على الحاجة إلى حلقات التحقق.
• ضبط الأوامر (Prompt Tuning): باستخدام DSPry/MIPROv2، وجد المؤلفون أن الأمر الأساسي (Baseline Prompt) المصمم بعناية والمقيد بدقة تفوق على المتغيرات المولدة آلياً. وهذا يشير إلى أنه في مهام إعادة الهندسة المقيدة، فإن القيود الصريحة (الحياد، الهيكلية) أكثر أهمية من تعقيد الأمر نفسه.
• مقاييس الرسم البياني: نجحت المقاييس الرسمية في قياس الحفاظ الهيكلي واستقرار الواجهة، مما وفر وسيلة للكشف عن التحويلات التي تبدو "منطقية ولكنها خاطئة".

5. الأهمية والادعاءات

تدعي الورقة أن إعادة هندسة (كود–نص–كود) القائمة على المواصفات توفر بديلاً محكوماً، وقابلاً للتتبع، وقابلاً للمراقبة لعملية توليد الكود المباشرة غير الشفافة.

• الشفافية: من خلال جعل المواصفات الوسيطة صريحة، يصبح تفسير النموذج مرئياً، وقابلاً للمراجعة، وقابلاً للتصحيح.
• ضبط الجودة: يتجاوز إطار العمل مجرد الصحة النحوية المحلية لتقييم التغطية الدلالية، والارتكاز في الاسترجاع (Retrieval Groundedness)، والحفاظ الهيكلي.
• المراقبة الذكية: يضع المؤلفون إطار العمل ليس فقط كأداة تحويل، بل كهدف لـ "المراقبة الذكية"، حيث يتم تقييم الاتساق الدلالي وخسائر التحويل باستمرار.
• إعادة الهندسة مقابل الترجمة: تؤكد الورقة أن تطور البرمجيات بوساطة النماذج اللغوية الكبيرة يتطلب تحولاً من مجرد الترجمة البسيطة إلى عملية تمثيل متعددة المستويات تشمل الكود، والوثائق التقنية، والمتطلبات التجارية، وهياكل الرسم البياني.

تخلص الورقة إلى أنه على الرغم من أن هذا النهج واعد، إلا أنه يتطلب معالجة دقيقة لعمليات التجزئة (Chunking)، والارتكاز في الاسترجاع (Retriement Grounding)، والتحقق البشري في الحلقة لتخفيف مخاطر الانحراف الدلالي والهلوسة، خاصة في المجالات عالية الخطورة مثل الأنظمة المالية أو الطبية.