Zum Inhalt

KI-Verwaltungsassistenz (KIVA) - Fachverfahrensmodernisierung für die Öffentliche Verwaltung

1. Pre-Processing

Der Baustein Pre-Processing ist der Startpunkt jeder Migration. Er legt die Basis für alle weiteren Schritte, indem er die Legacy-Applikation nicht nur technisch initialisiert, sondern auch inhaltlich tiefgreifend analysiert. Die hier erzeugten Artefakte (Wissensgraph, Dokumentation, Testfälle) bilden die inhaltliche Grundlage für die KI-Agenten in der nachfolgenden Transformationsphase.

Modul 1: Initialization & Setup

Dieses Modul schafft die technische Arbeitsumgebung. Bevor eine Zeile Code analysiert wird, muss sichergestellt sein, dass die Infrastruktur stabil steht.

Kernfunktionen

  • Setup Prerequisites & Project Structure Erstellung der standardisierten Verzeichnisstruktur (/workspace, /target) und Konfiguration der Projektparameter. Hier werden Environment-Variablen geladen und Schreibrechte für die Container geprüft.

  • Initialize Agentic Coding System Der KI-Kern (OpenCode.ai) wird hochgefahren. Dies umfasst den Verbindungsaufbau zu den LLM-Endpunkten (via LiteLLM) und die Initialisierung der internen Agenten-Datenbanken.

  • Check Infrastructure Health Ein automatisierter Health-Check prüft vor Start alle kritischen Ressourcen:

    • Ist die Vektordatenbank (Qdrant) erreichbar?
    • Läuft der Graph-Datenbank-Service (Neo4j)?
    • Sind die notwendigen Docker-Volumes gemountet?

Modul 2: Application Overview & Analysis

Hier findet die eigentliche "Intelligenz-Arbeit" statt. Die Legacy-Applikation wird von spezialisierten Analysten-Agenten untersucht, um deren Logik für Maschinen verständlich zu machen.

Kernfunktionen

  • AI-generated Documentation Erstellung einer technischen "Ist-Stand"-Dokumentation. Die Agenten scannen den Quellcode (z. B. VBA-Module, Excel-Formeln), extrahieren die Geschäftslogik und fassen diese in einer ANALYSIS.md zusammen. Dies dient als Orientierungshilfe für Entwickler und nachfolgende Agenten.

  • Test Use Case Generation Extraktion von validen Testszenarien aus den Bestandsdaten. Das System identifiziert typische Eingabe-Ausgabe-Muster in der Legacy-Applikation, um diese später als Akzeptanzkriterien für die modernisierte App zu nutzen (Regression Testing).

  • GraphRAG Generation Aufbau des kontextuellen Gedächtnisses.

    • Graph: Abbildung der Aufrufstrukturen und Abhängigkeiten in Neo4j (Wer ruft wen auf?).
    • RAG: Vektorisierung von Code-Schnipseln und Kommentaren in Qdrant.
    • Ziel: Ermöglicht den Coder-Agenten später komplexe Fragen zu beantworten wie: "Welche Auswirkung hat die Änderung dieser Variable auf das Gesamtmodul?"

Übersicht der Pre-Processing Kernfunktionen

ℹ️ Hinweis: Die hier erzeugten Artefakte sind die direkte Eingabe für den Processing-Baustein. Ohne sauberes Pre-Processing können die Agenten im nächsten Schritt nicht kontextsensitiv arbeiten.