Horst, Uwe und Greta: Wie drei KI-Agenten die Legacy-Migration sicher machen

Legacy-Modernisierung scheitert selten an der Technologie. Meistens scheitert sie daran, dass Teams keinen klaren Überblick haben.

Ein MCP-basiertes Toolkit kombiniert Codeanalyse, Architekturwissen und Migrationskontext.

Es eignet sich für ausgereifte kundenorientierte Frontends auf Basis von Angular, React oder Vue.js. Das Toolkit hilft Teams dabei, Updates, Templates, Services und Tests strukturiert zu verstehen und Schritt für Schritt zu modernisieren.

In diesem Setup arbeiten spezialisierte Agenten zusammen, um Legacy-Code in klare Migrationspläne, konkrete Entwicklungsschritte und qualitätsgesicherte Graph-Ergebnisse zu überführen.

Warum Migrationen zentrales Systemwissen benötigen

Legacy-Systeme sind selten sauber voneinander getrennt. Das gilt insbesondere für ausgereifte Frontends, bei denen eine Änderung an einer Angular-Komponente schnell Auswirkungen auf UI-Verhalten, Datenflüsse, Geschäftslogik und die Zuverlässigkeit von Tests haben kann.

Teams benötigen daher Klarheit, bevor sie beginnen. Sie müssen verstehen, was miteinander verbunden ist, was kritisch ist und wo Risiken entstehen können.

Ein generischer KI-Agent kann Code erklären und Migrationsschritte vorschlagen. Diese Vorschläge werden jedoch erst dann zuverlässig, wenn sie auf projektspezifischem und verifiziertem Systemwissen basieren.

Code in strukturiertes Wissen überführen

Der KI-Agent liest den vorhandenen Code automatisch ein. Er identifiziert Architektur, Komponenten, Abhängigkeiten und Geschäftslogik und überträgt dieses Wissen anschließend in einen Neo4j-Wissensgraphen.

Anstatt einen losen Bericht oder eine einfache Dateiliste zu erstellen, erzeugt er eine vernetzte Systemkarte in Neo4j.

Diese Karte kann von Menschen verstanden und über MCP von KI-Agenten genutzt werden.

Die Abbildung zeigt den Kern des Ansatzes. Der Agent analysiert den Code, der Graph strukturiert das Wissen und KI-Coding-Agenten greifen über MCP darauf zu.

Dadurch wird der verifizierte Kontext direkt in der Entwicklungsumgebung nutzbar.

Parser-Ergebnisse für KI-Agenten nutzbar machen

Bevor KI-Agenten zuverlässig mit einer Codebasis arbeiten können, muss der Code zunächst in eine gemeinsame Struktur übersetzt werden, die sich leichter vergleichen, analysieren und wiederverwenden lässt.

Diese Aufgabe übernimmt der Parser. Er liest den Quellcode ein und wandelt ihn in strukturierte Informationen um. Im nächsten Schritt werden diese Informationen in einer Graphdatenbank gespeichert, in der die einzelnen Bestandteile des Codes wie Punkte in einem Netzwerk miteinander verbunden sind. Der Graph kann beispielsweise zeigen, welche Komponente welchen Service verwendet, wohin Daten fließen und welche Teile der Anwendung voneinander abhängig sind.

Dies ist besonders wichtig, weil Frontend- und Backend-Systeme unterschiedlich aufgebaut sind. In Frontend-Anwendungen wie React oder Angular liegt der Fokus häufig auf Screens, Komponenten und dem Datenfluss zwischen ihnen. In Backend-Systemen geht es dagegen eher um Services, Geschäftslogik und Prozessabläufe.

Die Analyse berücksichtigt diese Unterschiede, sodass die Ergebnisse für den jeweiligen Bereich aussagekräftig bleiben.

Sobald die strukturierten Parser-Ergebnisse im Graphen verfügbar sind, können sie als KI-Kontext genutzt werden. Da der Parser deterministisch arbeitet, sind die Ergebnisse reproduzierbar und konsistent. Derselbe Code führt jedes Mal zum gleichen Analyseergebnis.

In der Praxis erhalten Teams dadurch einen klareren Überblick über ihre Software. Sie können verstehen, was vorhanden ist, welche Abhängigkeiten bestehen und wo Änderungen Auswirkungen haben können. Dies unterstützt Modernisierungs-, Migrations- und Refactoring-Projekte über verschiedene Technologien und Programmiersprachen hinweg.

Sieben Systemdimensionen für eine sicherere Migration

Bei der Modernisierung von Frontends sind viele wichtige Abhängigkeiten über die gesamte Codebasis hinweg verborgen. Eine Komponente kann isoliert wirken, während ihr tatsächliches Verhalten von Templates, Services, Routing, Formularen, State-Management, Tests und gemeinsam genutzten Bibliotheken abhängt.

Diese Verbindungen können nun anhand von sieben Systemsichten sichtbar gemacht werden. Gemeinsam zeigen sie, wie die Anwendung strukturiert ist, wo Änderungen Risiken erzeugen und welche Bereiche während der Modernisierung besondere Aufmerksamkeit benötigen.

1. Projektstruktur: Identifiziert, welche Komponenten, Services, Module, Bibliotheken und Schichten im System vorhanden sind.

2. State-Management: Zeigt, wo Zustände in den Anwendungsabläufen erstellt, verändert und verwendet werden.

3. Geschäftslogik und Kontrollfluss: Zeigt, wo sich Geschäftslogik befindet und welche Entscheidungswege kritisch sind.

4. Migration des Designsystems: Zeigt, welche UI-Komponenten, Templates, Bindings und Formulare von einer Migration betroffen sind.

5. Monorepo und Weiterentwicklung der Architektur: Zeigt, welche Projektstrukturen, Imports, Modulgrenzen sowie Angular- oder NX-Update-Pfade modernisiert werden müssen.

6. Testabdeckung: Erfasst, welche Artefakte nicht ausreichend durch Tests abgesichert sind und wo sich Testschulden aufbauen.

7. Template-Analyse: Macht sichtbar, welche Templates, Datenbindungen und UI-Muster für eine Migration relevant sind.

Der praktische Nutzen vernetzten Codewissens

Der Vergleich zeigt den Unterschied, den der Graph im Arbeitsalltag macht.

Bei Migrationen können Teams Entscheidungen auf Basis nachvollziehbarer Beziehungen im Code treffen, anstatt sich auf Annahmen zu verlassen.

Dies wird besonders hilfreich, wenn Teams konkrete Migrationsfragen stellen.

Die folgende Tabelle zeigt typische Fragen, die sich mit einer graphbasierten Analyse leichter beantworten lassen. Statt einen KI-Agenten anhand isolierter Codeausschnitte raten zu lassen, kann das Team verifizierte Beziehungen innerhalb des Systems abfragen.

Der Graph verwandelt die Codebasis in eine vernetzte Systemkarte. Er macht bestehende Elemente sichtbar, zeigt ihre Abhängigkeiten und offenbart, wo eine Änderung Auswirkungen haben wird.

Vom Graphen zum geführten Workflow

Der größte Nutzen entsteht durch das Zusammenspiel spezialisierter Agenten. Wir haben diese Agenten Horst, Uwe und Greta genannt.

• Horst nutzt den Graphen als Senior Angular Architect.

  Er erstellt Update-Pfade, Architekturentscheidungen, Modulgrenzen und Migrationswellen mit geringerem Risiko.

• Uwe arbeitet auf dieser Grundlage als Angular-Frontend-Entwickler.

  Er setzt konkrete Implementierungsschritte für Komponenten, Templates, Services, Tests und Anpassungen des Designsystems um.

• Greta kümmert sich um die Qualitätssicherung des Graphen.

  Sie überprüft, ob die Wissensbasis konsistent, vollständig und zuverlässig genug für weitere Entscheidungen bleibt.

Der MCP-Server verbindet diese Rollen mit dem Toolkit. Dadurch arbeiten alle Agenten mit demselben verifizierten Kontext, anstatt voneinander isolierte Antworten zu erzeugen.

Erkenntnisse aus realen Migrationen

Reale Modernisierungsprojekte zeigen mehrere Erkenntnisse, die über eine einzelne Technologie hinaus relevant sind.

• Klare Phasen machen Komplexität beherrschbar.

  Große Migrationen sollten in verständliche Wellen aufgeteilt werden, anstatt sie als einen großen „Big Bang“ durchzuführen.

• Frontend-Migrationen profitieren stark von strukturiertem Kontext.

  Dies gilt insbesondere für Angular-Updates, Template-Anpassungen, Formularlogik, Änderungen am Designsystem und NX-Monorepos. Der Graph reduziert die manuelle Recherche und macht betroffene Bereiche frühzeitig sichtbar.

• Der Wissensgraph schafft eine verlässliche Grundlage für Entscheidungen.

  Architekturentscheidungen werden explizit, überprüfbar und für das Team leichter verständlich.

• Testschulden müssen frühzeitig sichtbar werden.

  Sobald fehlende Testabsicherung im Graphen erkennbar ist, können Teams gezielt darauf reagieren.

• Der beste Migrationspfad ist nicht immer der ursprünglich geplante.

  Verifizierter Systemkontext hilft Teams, Annahmen zu überprüfen und den Weg bei Bedarf anzupassen.

• Übergänge mit geringem Risiko zahlen sich aus.

  Schrittweise Migrationen, Reviews, Graph-Snapshots und Fallback-Optionen erhöhen die Stabilität während des laufenden Betriebs.

• Ein Sicherheitsnetz muss vorhanden sein, auch wenn es idealerweise nie benötigt wird.

  Dokumentierte Phasen, Tags, Snapshots und Wiederherstellungsinformationen machen den Fortschritt zuverlässiger.

Kontrollierte Migration mit gemeinsamem Systemwissen

Der eigentliche Wert KI-gestützter Modernisierung liegt nicht allein in schnelleren Antworten. Er entsteht durch eine gemeinsame und nachvollziehbare Wissensbasis, die Teams dabei unterstützt, komplexe Systeme zu verstehen, Risiken früher zu erkennen und Migrationsentscheidungen mit größerer Sicherheit vorzubereiten.

Dies funktioniert nur, wenn Wissen und Verantwortung klar miteinander verbunden sind. Die Agenten unterstützen Analyse, Recherche, Implementierung und Qualitätssicherung, treffen jedoch keine Entscheidungen eigenständig. Horst strukturiert den Migrationspfad, Uwe unterstützt bei konkreten Implementierungsschritten und Greta überprüft die Qualität des Graphen. Architekturentscheidungen, Freigaben und Verantwortung verbleiben beim Team.

Jede Phase erzeugt überprüfbare Artefakte. Der aktuelle Zustand, die Änderungshistorie und Graph-Snapshots bleiben verfügbar, selbst wenn eine Chat-Sitzung endet oder ein anderes Teammitglied die Arbeit übernimmt. Dadurch entsteht ein Human-in-the-Loop-Prozess, bei dem KI die Analyse beschleunigt, während das Team die Kontrolle behält.

In Kundenprojekten hilft dieser Workflow Teams dabei, komplexe Systemlandschaften schneller zu verstehen und Migrationsentscheidungen präziser vorzubereiten. Dies ist besonders für ausgereifte Angular-Frontends hilfreich, bei denen Updates besser planbar werden und betroffene UI-, Service- und Testschichten früher sichtbar sind. Die Migrationsarbeit kann anschließend Schritt für Schritt durchgeführt werden – mit mehr Stabilität und besseren Voraussetzungen für die zukünftige Entwicklung von Features.