Un codice Java ventennale modernizzato con LLM e Docker
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Ripristino di un progetto Java 1.5 non compilabile: niente prompt turistici, ma IA vincolata a prove e refactoring graduale.
Il 16 luglio 2026 un progetto Java 1.5 del 2005 torna a compilare dopo anni di stop. La build con Ant falliva in modo irregolare sulle macchine recenti. Su un MacBook con Apple Silicon si bloccava del tutto. L’autore eredita il repository e documenta come lo riporta in vita, senza ricette generiche: solo ciò che funziona sul codice reale, e perché1.
Il contesto è “Brownfield”: Java 1.5, build Ant, architettura “Big Ball of Mud”. La compilazione non è affidabile e nasconde cause diverse. L’indagine parte male. L’autore incolla pezzi di sorgente in un LLM e chiede “come faccio a farlo partire?”. Le risposte suonano plausibili, ma non reggono quando si applicano al repository. Nasce così il concetto di “Tourist Prompt”: consigli da guida turistica, nessuno scavo sul campo1.
Arriva il cambio di rotta. Ogni proposta deve poggiare su evidenze. Log di build, errori, dipendenze, struttura del progetto. Ogni affermazione si verifica contro il repository, passo per passo. L’LLM non fa il traduttore universale. Funziona da lente d’ingrandimento sui dati che il progetto già produce. Niente ipotesi fuori contesto, niente scorciatoie1.
Per ridurre il rumore serve un terreno fisso. L’autore prepara un ambiente Docker e ci esegue tutto: build, test, prove di refactoring. In questo modo confronta gli esiti in modo ripetibile, su macchine diverse, con lo stesso set di strumenti. La diagnosi migliora perché cambia una sola cosa alla volta1.
Con una base stabile, tocca al codice. Si lavora per passi piccoli, protetti dai test. Si introduce una modifica minima. Si lancia la suite. Si osserva il risultato. Se qualcosa si rompe, lo si vede subito. Se passa, si procede. Questo ritmo breve riduce il rischio quando si mette mano a un “Big Ball of Mud”. E costruisce fiducia nei cambiamenti successivi1.
Qui l’LLM torna utile, ma su binari stretti. Legge le tracce e collega indizi. Aiuta a interpretare messaggi d’errore, a mappare dipendenze, a formulare il prossimo esperimento minimo. Ogni suggerimento resta ancorato a una prova concreta emersa dal repository. E trova conferma, o smentita, nell’ambiente Docker. Il valore non sta nella creatività del modello, ma nella sua capacità di sintetizzare ciò che il progetto già dice di sé1.
La lezione operativa si riduce a una regola semplice: evitare “Tourist Prompt”, lavorare su evidenze ripetibili, procedere con modifiche minime coperte dai test, e usare Docker per isolare l’infrastruttura1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.