Resumo Técnico: Portando UI Declarativa para HarmonyOS via ArkTrans

Declaração do Problema

A emergência do HarmonyOS criou uma demanda crítica para a migração de software de plataformas estabelecidas como Android e iOS. No entanto, o cenário do desenvolvimento de Interface de Usuário (UI) mudou de paradigmas imperativos (ex: XML, UIKit) para frameworks declarativos: Kotlin Jetpack Compose (KJC) para Android, SwiftUI para iOS e ArkUI para HarmonyOS. As abordagens existentes de tradução automática de programas são inadequadas para essa tarefa porque visam principalmente a lógica de backend ou UIs imperativas legadas.

Aplicar diretamente Grandes Modelos de Linguagem (LLMs) para traduzir KJC/SwiftUI para ArkUI enfrenta dois desafios salientes:

1. Desconhecimento da Linguagem de Programação (PL): O ArkUI é um framework relativamente novo (lançado oficialmente em 2023) com um corpus escasso em plataformas de hospedagem de código comparado a PLs maduras. Consequentemente, os LLMs de estado da arte (SOTA) carecem de dados de treinamento suficientes para dominar a sintaxe específica e o paradigma de programação do ArkUI.
2. Caos Sintático Severo: Devido a esse desconhecimento, os LLMs tendem a copiar a sintaxe da PL de origem ou misturar sintaxes de origem e destino durante a tradução. Estudos empíricos indicam que 40% das falhas de prompting direto derivam de erros sintáticos e, mesmo com orientação, mais de 50% dos erros sintáticos permanecem sem resolução.

Metodologia: ArkTrans

Para abordar esses desafios, os autores propõem o ArkTrans, uma abordagem de LLM guiada por heurísticas para migração automática de UI. O ArkTrans opera através de um pipeline de quatro estágios:

1. Extração de Metadados (ME)

O sistema analisa os arquivos de UI de origem (KJC ou SwiftUI) em uma Árvore de Sintaxe Abstrata (AST) para extrair hierarquicamente os metadados. Ele filtra a lógica não relacionada à UI (ex: hooks de ciclo de vida, wrappers de propriedades) e constrói uma árvore de UI estrutural. Cada nó nesta árvore é uma tupla contendo o tipo de componente, propriedades (pares chave-valor), modificadores (chamadas encadeadas) e filhos. Este processo isola a declaração pura da UI do código boilerplate.

2. Construção de Esqueleto (SC)

Usando a árvore de UI extraída, o ArkTrans sintetiza um esqueleto de ArkUI determinístico. Este passo realiza o mapeamento de componentes entre PLs usando um dicionário predefinido para traduzir componentes, propriedades e modificadores conhecidos para seus equivalentes em ArkUI. Elementos desconhecidos são preservados como comentários. O resultado é uma estrutura de código ArkUI parcial que define a topologia da UI e as restrições de layout, garantindo a máxima preservação de metadados que não podem ser migrados heuristicamente.

3. Tradução Impulsionada por LLM (LT)

Um LLM é invocado para preencher o esqueleto gerado com código executável. A estratégia de prompting inclui:

• Papel do Sistema e Contexto: Fornecimento do esqueleto de ArkUI e constantes de cores extraídas.
• Aprendizado One-Shot: Fornecimento de um exemplo demonstrativo que traduz um esqueleto similar para código ArkUI. Este exemplo cobre armadilhas sintáticas comuns (atribuição de propriedades, encadeamento de modificadores, expansão de layout, gerenciamento de estado) para guiar o aprendizado em contexto do LLM.

4. Pós-Correção (PF)

Reconhecendo que os LLMs ainda produzem erros sintáticos, o ArkTrans aplica um motor de pós-correção baseado em regras. Este estágio executa transformações determinísticas baseadas em padrões de erro empiricamente revelados:

• Inline de Constantes (CI): Resolve referências não resolvidas a tokens de design externos (ex: classes de cores) ao realizar o inline de valores literais e remover definições de classes não utilizadas.
• Retificação Lexical (LR): Substitui tokens lexicais específicos da PL de origem (ex: toInt() em Kotlin) por seus equivalentes em ArkUI (ex: Number() em ArkTS).
• Retificação de Propriedades de Layout (LPR): Expande propriedades de atalho direcionais (ex: padding(horizontal)) em propriedades explícitas de ArkUI (ex: left, right).
• Validação de Integridade Estrutural (SIV): Valida regras de posicionamento de componentes (ex: garantir que componentes Blank estejam apenas dentro de layouts lineares como Row ou Column) e repara delimitadores desbalanceados.

Principais Contribuições

1. Construção de Benchmark: Os autores construíram o primeiro benchmark de migração de UI nível arquivo, consistindo em 100 amostras através de oito cenários de aplicação (ex: E-commerce, Redes Sociais). Estas amostras incluem arquivos de código KJC e SwiftUI equivalentes, verificados manualmente para consistência funcional e visual.
2. Estudo Empírico: Uma análise abrangente das falhas de tradução de KJC/SwiftUI para ArkUI, identificando que LLMs SOTA falham completamente sem orientação e que erros sintáticos persistem mesmo com a orientação baseada em esqueleto.
3. Framework ArkTrans: A proposta de um framework de tradução guiado por esqueleto e aprimorado por pós-correção, projetado especificamente para migração de UI declarativa.
4. Sistema de Avaliação Progressiva: O estabelecimento de um sistema de avaliação multidimensional que mede tanto a Executabilidade do Código (Taxa de Sucesso de Compilação) quanto a Fidelidade Visual (métricas globais como CLIP/Histograma de Cores e métricas locais como Integridade de Posição, Tamanho, Cor e Texto).

Resultados Experimentais

Os autores avaliaram o ArkTrans usando LLMs SOTA (GPT-5.2, DeepSeek-V3.2, Kimi-K2-Turbo, GLM-5) contra baselines de Prompting Direto e Prompting One-Shot.

• Taxa de Sucesso de Compilação (CSR): O prompting direto e o One-Shot falharam em gerar um único arquivo compilável (0.00% CSR). Em contraste, o ArkTrans alcançou uma CSR de 53.33%–90.67%. Especificamente, a tradução de KJC para ArkUI atingiu 90.67%, enquanto SwiftUI para ArkUI atingiu 53.33%.
• Fidelidade Visual: O ArkTrans superou significativamente os baselines em consistência visual. Para KJC-para-ArkUI, alcançou uma Similaridade CLIP de 78.89% e uma Similaridade de Histograma de Cores de 56.01%. Métricas locais (Posição, Tamanho, Cor, Texto) também mostraram alta fidelidade, com a Integridade de Texto atingindo 82.50%.
• Estudos de Ablação:
  • O Esqueleto de ArkUI foi o principal motor para quebrar a barreira de 0% de CSR.
  • Exemplos One-Shot melhoraram significativamente o desempenho, particularmente na fidelidade visual.
  • A Pós-Correção proporcionou o aumento mais substancial na executabilidade, resolvendo os erros sintáticos restantes que impediam a compilação.
  • Os metadados de cor nos prompts foram considerados indispensáveis para manter a integridade visual.
• Generalização: O ArkTrans demonstrou eficácia através de diversas arquiteturas de LLM, melhorando consistentemente o desempenho independentemente do modelo subjacente, embora o desempenho varie ligeiramente com base na capacidade de raciocínio inerente do modelo.

Significância e Alegações

O artigo afirma que o ArkTrans é a primeira abordagem a abordar com sucesso a migração de UI como um problema de tradução direta de código entre frameworks declarativos modernos. Os autores enfatizam que:

• Orientação Estruturada é Crítica: O prompting simples é insuficiente para a migração de UI declarativa devido ao "gap de sintaxe" e mudanças de paradigma. A combinação de construção de esqueleto e pós-correção baseada em regras é necessária para preencher esse gap.
• Enriquecimento do Ecossistema: O ArkTrans serve como uma ferramenta poderosa para enriquecer rapidamente o ecossosoftware do HarmonyOS, automatizando a portabilidade de UIs de alta qualidade existentes de Android e iOS.
• Escopo Modesto: Os autores reconhecem que, embora o benchmark cubra cenários representativos, pode não cobrir todos os casos extremos de escala industrial. Eles também observam que a migração de SwiftUI para ArkUI permanece mais desafiadora do que KJC para ArkUI devido às regras mais estritas de verificação de tipos e escopo no ArkTS.

O trabalho conclui que o ArkTrans mitiga efetivamente a barreira de sucesso zero observada na tradução de LLM não guiada, oferecendo um caminho viável para a migração de UI declarativa.