借助 AI 将大型机汇编迁移到 Java
文章提出分阶段迁移路线,利用 Amazon Bedrock、Kiro IDE 和 AWS Transform 提取大型机汇编中的业务规则。转换先经过 COBOL 中间阶段,再形成部署到 AWS 的 Java Spring Boot 应用。
AI 深度解读
把跑了几十年的主机 Assembler 程序迁到 Java,难点往往不是语法,而是没人敢保证那些藏在寄存器、内存操作和批处理里的业务规则没有丢。AWS 给出的路径是:先提取规则、写规格,再转成 COBOL,验证后交给 AWS Transform 生成 Java Spring Boot 应用。
这套方案值得看的,是如何把 AI 改写代码拆成可检查的步骤。但原文没有提供迁移耗时、缺陷率或直接转换的对照数据,因此它更接近一份实施方法,不能当成已经证明效果的实验报告。
为什么迁到 Java,还要绕一站 COBOL
原文面向的是与 COBOL 紧密关联的主机 Assembler 应用。它们运行在 IBM z/OS 上,由 JCL(Job Control Language)定时启动,读取 VSAM 和顺序文件,访问 IBM Db2 for z/OS,再通过文件、数据库和 JCL 返回码交付结果。
因此,迁移对象并不只有算法。输入如何解释、异常如何上报、批任务如何结束,都属于需要保留的行为。
作者把流程拆成五个阶段:业务规则提取、规格驱动的数据流设计、Assembler 转 COBOL、验证,以及 COBOL 转 Java。Amazon Bedrock 为前四阶段提供模型推理,Kiro IDE 辅助分析和规格整理,AWS Transform 负责最后的 COBOL 到 Java 转换。已有 COBOL 源码的应用,可以直接进入 AWS Transform 的常规流程。
中间放入 COBOL,是为了把低层指令整理成领域专家更容易核对的业务结构,也为后续工具提供输入。
COBOL 在这里承担的是可审查的中间表示。
不过,这一选择有明显前提:团队要有业务知识,也要有人能核验 COBOL。原文要求准备领域专家、源码清单、已有文档,以及带预期输出的测试数据。这些条件缺一块,转换链条就少一层可靠依据。
先把业务规则变成能追踪的规格
第一阶段叫 Business Rules Extraction,简称 BRE,即业务规则提取。模型需要从 Assembler 中识别条件、计算、校验、转换、错误处理和循环,并记录寄存器或内存位置如何映射到 COBOL 字段。
下面这段提示词解决的是「提取结果如何进入下一步」,而不只是让模型生成一份说明:
Extract the business rules and data mappings from this Assembly code.
[PASTE YOUR ASSEMBLY CODE HERE]
## EXTRACT
1.Business Rules: Identify EVERY rule including conditional logic, calculations, validations, transformations, error handling, and loops.
For each rule provide:
- Unique ID (BR001, BR002, etc.)
- Name and description
- Business purpose
- Input fields/registers
- Output fields/registers
- Logic in plain English
- Conditions that trigger the rule
2.Data Mappings: Identify the data transformations with:
- Source field (register or memory location)
- Target field (COBOL variable name)
- Transformation logic
- Validation rules
## RETURN JSON
{
"program_name": "string",
"business_rules": [
{
"id": "BR001",
"name": "string",
"description": "string",
"purpose": "string",
"inputs": ["array"],
"outputs": ["array"],
"logic": "string",
"conditions": ["array"]
}
],
"data_mappings": [
{
"source_field": "string",
"target_field": "string",
"transformation": "string",
"validation_rules": ["array"]
}
],
"summary": "string"
}
要注意 source_field、target_field 和 transformation:规则描述看起来正确,字段映射仍可能出错,后面的代码就会带着错误继续生成。
作者建议补充数据字典、历史文档和业务上下文,选择代码推理能力强、上下文窗口大的基础模型,并把 temperature 设为 0。批量处理时,通过 Amazon Bedrock Converse API 调用同一组提示词,将每轮产物存入 Amazon S3,作为下一阶段输入。原文没有指定具体模型或版本。
temperature 为 0 是减少输出变化的设置,不是正确性保证。BRE 仍需领域专家审核,差异写入验证日志,修订后才能继续。测试数据应脱敏;存储桶应启用加密和 Block Public Access,AWS 访问权限遵循最小权限原则。
通过审核的 BRE 再生成规格,内容包括程序用途、数据结构、处理顺序和规则覆盖关系。每个步骤都关联 BR001 这样的规则 ID,让审阅者能够追问:这条规则最终落在哪个过程、用了哪些字段?
规格还需要写到 COBOL 类型层面:整数使用 PIC 9(n)、S9(n),小数使用 PIC 9(n)V9(m)、S9(n)V9(m),字符使用 PIC X(n)、PIC A(n),压缩十进制使用 COMP-3;结构采用 01、05、10、15 层级,标志使用 88-level 条件名。类型和精度在这一阶段就要明确。
验证关卡有价值,但模型打分不能代替运行
生成 COBOL 时,模型同时接收原始 Assembler、BRE 和功能规格。作者要求每条规则对应专门的 paragraph,并用规则 ID 注释关联;流程通过 PERFORM 组织,分支使用 IF/EVALUATE,循环使用 PERFORM UNTIL/VARYING,同时处理除零、边界和错误标志。
提示词还规定固定列格式:第 1-6 列是序号,按 000100、000200、每次 +100 递增;第 7 列是指示符;第 8-11 列为 Area A,第 12-72 列为 Area B。PIC 对齐第 40 列,VALUE 对齐第 56 列,下级缩进 4 个空格,并使用 END-IF、END-PERFORM。
这些约束能让生成结果更便于检查,却不能保证它已经可以投产。
原文的验证覆盖六个维度:语法、结构、逻辑、数据流、BRE 覆盖和规格符合性。报告返回错误、差异、缺失规则、代码位置和改进建议,便于把问题定位到具体产物。
但评分设计需要打问号。提示词给出的权重是语法 20%、结构 20%、逻辑 30%、数据流 30%,再加 BRE 覆盖 10% 和规格符合性 10%。合计达到 120%,却没有说明如何归一化;通过阈值设为 ≥0.7,质量等级则是 Excellent ≥0.9、Good ≥0.7、Fair ≥0.5、Poor <0.5。
模型返回的等价性评分,只能作为审查线索,不能作为功能等价的证据。
原文要求准备带预期输出的数据集,也强调功能等价测试,但没有展示编译、执行和结果比对的具体实现。实际采用时,需要让原程序和转换结果运行相同输入,核对输出、精度、异常与返回码,不能只让模型阅读两份代码后判定通过。
最后,AWS Transform 将验证后的 COBOL 转成 Java Spring Boot。作者描述了依赖注入、repository 模式和 service 分层等目标结构,但没有展示生成代码,也没有展开 JCL 调度、VSAM 文件和 Db2 访问在目标环境中的完整替代方案。
我的判断
我认可它把「理解业务」放在「生成代码」前面。规则、字段、规格和实现通过 ID 串起来,能让遗漏更容易暴露,也让领域专家有明确的审查对象。这比面对一大批生成后的 Java,再逐段猜测业务意图,更有操作性。
但「经过 COBOL 更可靠」「比人工迁移更快」「能减少上线缺陷」,原文都没有给出样本、耗时或对照结果,应按作者的方法主张看待。增加中间阶段,也增加了一次翻译和一轮审核成本;是否划算,取决于现有 COBOL 资产、专家能力,以及 AWS Transform 对具体工作负载的适配情况。
与直接 Assembler 转 Java 相比,这条路线多了可核验的中间产物;与人工重写相比,它尝试把规则整理和代码生成交给 AI。不过,两种比较都缺少实测数据。对一般团队而言,最适合借鉴的是分阶段留证据,而不是照搬整套工具组合。
能拿来做什么
- 维护遗留 Node 服务或前端计费、权限模块时,可以先让 AI 提取规则、输入输出、异常条件和字段映射,再由熟悉业务的人审核,用这份清单约束后续重构。
- 做 AI 辅助迁移时,可以给规则分配稳定 ID,把规格、实现位置和测试用例关联起来。发现遗漏后,就能定位需要修正的环节。
- 为每个迁移阶段保存输入、生成产物和审核记录,并用固定数据比较运行结果。模型评分用于安排排查顺序,发布依据应落到可重复验证的行为。
- 如果确实要迁移主机 Assembler,可以先选边界清楚、预期输出完整的小程序试跑五阶段流程,记录人工审核投入和实际差异,再决定是否扩大范围。