Resumo Técnico: Reengenharia Baseada em Especificação de Código–Texto–Código para Evolução de Software Mediada por LLM

1. Declaração do Problema

Os Modelos de Linguagem de Grande Escala (LLMs) são cada vez mais utilizados para migração de software, refatoração e regeneração de código. No entanto, abordagens diretas de transformação Código-a-Código enfrentam limitações significativas. Estas incluem:

• Deriva Semântica: Os modelos podem preservar a sintaxe superficial enquanto alteram a lógica de negócios subjacente ou introduzem mudanças comportamentais ocultas.
• Saída Não Idiomatica: O código gerado pode reter construções da linguagem de origem que são inadequadas para o ambiente de destino.
• Perda de Rastreabilidade: Frequentemente não há um vínculo claro entre o código-fonte, a interpretação do modelo e o artefato regenerado.
• Lacunas Contextuais: A tradução direta frequentemente falha em contabilizar dependências de dados, tratamento de exceções e pressupostos não funcionais.

O artigo argumenta que a evolução de software mediada por LLMs não deve ser vista meramente como geração de código, mas como um processo de reengenharia controlado que requer camadas de representação intermediária para garantir consistência semântica e preservação estrutural.

2. Metodologia: O Framework Código–Texto–Código

O framework proposto introduz um modelo de reengenharia Baseado em Especificação Código–Texto–Código. O fluxo de transformação central é definido como:
$$C_0 \rightarrow S_n \rightarrow C_1$$
Onde $C_0$ é o código-fonte, $S_n$ é uma especificação textual neutra, e $C_1$ é o código de destino regenerado.

A. A Especificação Textual Neutra ($S_n$)

Diferentemente de uma simples sumarização de código, $S_n$ é um artefato estruturado e verificável projetado para capturar:

• Comportamento do programa, identificadores e fluxo computacional.
• Condições, efeitos colaterais e dependências de dados.
• Intenção específica de domínio sem viés de sintaxe da linguagem de origem.
• Serve como um "mediador semântico" separando o que o software faz de como ele é implementado.

B. Camada de Representação do Conhecimento

O framework integra múltiplas camadas de representação para suportar rastreabilidade e validação:

• Extração de AST e Metadados: Extração estruturada de fatos (nomes de funções, assinaturas, dependências) para restringir o processo de geração e reduzir alucinações.
• Ontologia e Anotação Semântica: Mapeamento de representações intermediárias para conhecimento estruturado (OWL/SKOS) para suportar raciocínio e reutilização.
• Representação em Grafo: Utilização de Grafos de Propriedade de Código (CPG) para rastrear dependências (chamadas, leituras, escritas) e estimar perdas de transformação.
• Recuperação Híbrida: Combinação de busca vetorial (para similaridade semântica) com travessia de grafos (para dependências estruturais) e filtragem de metadados para fundamentar as fases Código2Texto e Texto2Código.

C. Arquitetura do Pipeline

O pipeline de ponta a ponta inclui:

1. Extração de Contexto Factual: Coleta de identificadores e dependências antes da geração da especificação.
2. Geração Código2Texto: Criação da especificação neutra inicial usando RAG e contexto factual.
3. Validação e Refinamento Iterativos: Comparação da especificação com o código-fonte para detectar comportamentos ausentes ou pressupostos excessivos.
4. Humano no Loop: Correção opcional por especialista para lógica de negócios ambígua ou pressupostos ocultos.
5. Geração Texto2Código: Geração do código de destino com base na especificação validada, garantindo implementação idiomatica na linguagem de destino.
6. Verificação de Destino: Validação de sintaxe, equivalência funcional e estabilidade de interface.
7. Feedback do SGBD (para SQL): Uso de validação baseada em execução para garantir correção específica do dialecto.

D. Fragmentação Consciente Semântica

O artigo enfatiza que a fragmentação ingênua quebra unidades semânticas. Propõe um "bloco de código ideal" definido por atomicidade, auto-parseabilidade e consciência semântica, avaliado por métricas como F1 de Fronteira e Certeza do Bloco.

3. Contribuições Principais

O artigo apresenta cinco contribuições primárias:

1. Interpretação Conceitual: Reenquadramento de Código–Texto–Código não como um pipeline de tradução, mas como um processo de reengenharia baseado em especificação onde o texto neutro é um artefato de conhecimento controlado.
2. Arquitetura de Pipeline: Um sistema abrangente integrando extração factual, validação iterativa, correção humana e feedback suportado por SGBD.
3. Modelo de Representação do Conhecimento: Um modelo unificado combinando metadados AST, ontologias, dependências de grafos e texto neutro para vincular código-fonte, documentação e artefatos regenerados.
4. Avaliação Experimental: Um conjunto de dados cobrindo múltiplas linguagens (Java, Python, C++, dialectos SQL) e um protocolo de avaliação comparando representações intermediárias (Pseudocódigo, IR de Grafo, IR de Compilador, IR de Linguagem Natural).
5. Estimativa Formal de Perdas: Uma formalização baseada em grafos para quantificar perdas de transformação usando:
   • Preservação Estrutural Direcional ($\alpha$): Medindo a retenção de dependências de origem.
   • Compatibilidade Reversa ($\beta$): Medindo a introdução de dependências de destino desnecessárias.
   • Preservação de Interface ($\delta_{IO}$): Garantindo estabilidade de entrada/saída.
   • Semelhança Total de Grafo ($S$): Uma média harmônica ponderada dos itens acima.

4. Resultados Experimentais

Os autores conduziram experimentos usando um conjunto de dados de 1.000 scripts por linguagem em nove linguagens de programação e cinco dialectos SQL.

• Comparação de Representação Intermediária: A IR de Linguagem Natural (a especificação neutra) demonstrou a maior adequação prática para transformação mediada por LLMs em comparação com pseudocódigo, IR baseada em grafos ou IR estilo compilador.
• Avaliação de Recuperação: A recuperação vetorial provou ser mais precisa para relevância semântica, enquanto a recuperação por grafos ofereceu menor latência para navegação de dependências. Uma abordagem híbrida foi recomendada.
• Transformação de Documentação: Nos experimentos de TechDoc para DocNegócio, 22 de 24 blocos passaram na validação. As falhas envolveram distorção de lógica ou omissão de escopo, destacando a necessidade de loops de validação.
• Ajuste de Prompt: Usando DSPy/MIPROv2, os autores descobriram que o prompt base original, cuidadosamente restrito, superou variantes geradas automaticamente. Isso sugere que, para tarefas de reengenharia restritas, restrições explícitas (neutralidade, estrutura) são mais críticas do que a complexidade do prompt.
• Métricas de Grafo: As métricas formais quantificaram com sucesso a preservação estrutural e a estabilidade de interface, fornecendo um método para detectar transformações "plausíveis, mas incorretas".

5. Significado e Alegações

O artigo alega que a reengenharia Código–Texto–Código baseada em especificação oferece uma alternativa controlada, rastreável e monitorável à geração direta de código opaca.

• Transparência: Ao tornar a especificação intermediária explícita, a interpretação do modelo torna-se visível, revisável e corrigível.
• Controle de Qualidade: O framework vai além da correção sintática local para avaliar cobertura semântica, fundamentação da recuperação e preservação estrutural.
• Monitoramento Inteligente: Os autores posicionam o framework não apenas como uma ferramenta de transformação, mas como um objeto de "monitoramento inteligente", onde a consistência semântica e as perdas de transformação são continuamente avaliadas.
• Reengenharia vs. Tradução: O trabalho afirma que a evolução de software mediada por LLMs requer uma mudança da tradução simples para um processo de representação multinível envolvendo código, documentação técnica, requisitos de negócios e estruturas de grafos.

O artigo conclui que, embora a abordagem mostre promessa, ela requer tratamento cuidadoso de fragmentação, fundamentação de recuperação e validação com humano no loop para mitigar riscos de deriva semântica e alucinação, particularmente em domínios de alto risco como sistemas financeiros ou de saúde.