Agentic Software Modernization: Back to the Roots (Java Forum Stuttgart 2026)

Legacy-Modernisierung mit AI Agents verantwortbar machen

Mittlerweile dringen AI Agents auch in Enterprises in Code-Galaxien vor, die nie ein Large Language Model zuvor gesehen hat. Die Versuchung ist daher groß, auch die eigene Java-Legacy-Codebase von AI Agents über Nacht umbauen zu lassen. Aber nach tausend angepassten Klassen durch Hunderte von Agents (und zehn automatisch erhöhten LLM-Nutzungslimits später) stellt sich dann oft nur eines heraus: Nichts funktioniert mehr. Null. Nada.

In diesem Vortrag zeige ich, was AI Agents sind, warum diese im Brownfield so schlecht abschneiden und was Sprachbarrieren und Todo-Listen-Apps damit zu tun haben. Aber auch, was gut funktioniert: Mit Seams, Slicing und Sprouting vorab potenzielles Chaos begrenzen, AI Agents mit Ankern und Strukturen zielsicher navigieren und mit Fitness Functions bei Bedarf wieder auf Kurs bringen.

Die Mission: Mit AI Agents in Warp Speed sicher in fernen Galaxien ans Ziel kommen. Denn am Ende zählt nicht, wie viel sich an Code bewegt, sondern ob das Legacy System wirklich vorankommt.

Transcript

1. J a v a F o r u m S t u t t g a r t 2 0 2 6 , 0 9 . 0 7 . 2 0 2 6 Agentic Software Modernization Back to the Roots Markus Harrer
2. Grobe Agenda Agentic Software Modernization Was ist das ? Wie ändern, ohne sich dabei ins eigene Knie zu schießen? Warum schwierig zu ändern? Legacy Fragen und Antworten 2 1 2 3
3. Agentic 3
4. Frage an euch 4 Wer nutzt AI Coding Agents / Coding Harnesses? Claude Code GitHub Copilot Naja ok, von mir aus auch OpenCode OpenHands Devin Codex CLI Pi Antigravity Windsurf dann aber auch Cursor und noch Cline = Kilo Code Aider ob das noch wer kennt… Gemini CLI
5. Agentic: typische Assoziationen handelt ohne Schritt-für-Schritt-Anweisung Skynet kann sich selber helfen ersetzt den Menschen trifft Entscheidungen Slo(t|p) Machine wird nie müde schläft nie ein ist immer vor dem Chef im Geschäft Bedenken Autonomie Leistungs- bereitschaft Geschwin- digkeit kein Mensch kann mehr mithalten erzeugt sehr viel auf einmal liefert schnell Ergebnisse 5 Magic
6. Software Legacy 6
7. Was sind Legacy Systeme? • Alte Technologien und Programmiermethoden • Niemand mehr da, der sich damit wirklich auskennt • Mehr Rätselraten statt Wissen • Keine oder unzuverlässige Tests • usw. Mehrere Jahre lang gelaufene Systeme, die noch gebraucht werden, aber an die man sich nicht mehr einfach so herantraut. 7
8. Frage an euch 8 Wer hat hier im Raum KEIN Legacy System? Legacy System
9. Software Legacy 9 Agentic &
10. Agenten im Legacy Umfeld? Legacy System Wisdom Blower LogOmagic SellChef The Central The Sourcerer 10
12. Frage an euch 12 Wer glaubt, dass das so einfach geht? It works on my machine!
13. Agentic AI im Legacy Umfeld 13
14. Sorry, Silver Bullets sind leider schon wieder aus! 14
15. 15 Why can‘t we just have nice things?
16. Faktor: Greenfield vs Brownfield 16 Drawing by Daniel Storii {turnoff.us}, Thanks to Michael Tharrington
17. Faktor: Greenfield vs Brownfield Drawing by Daniel Storii {turnoff.us}, Thanks to Michael Tharrington 17
18. Stichwort: Aufgabenkomplexität 18 https://github.com/OpenClinica/OpenClinica https://todomvc.com/examples/angular/dist/browser/#/all niedrig hoch
19. Faktor: Sprachenpopularität https://octoverse.github.com/2022/top-programming-languages 19
20. 20 Unterschiedliche Situationen Zusammengefasste Daten aus der 100k Devs Study, Yegor Denisov-Blanch, Stanford, mehr unter https://www.innoq.com/de/blog/2026/03/ueber- ai-einsatz-in-verschiedenen-coding-situationen/ Extrem kniffelige Legacy-Systeme Vibecoding-Demos auf YouTube Schach-Engine in LaTeX Ex-Startup-YOLO- Anwendungen
21. Modernization Agentic Software 21
22. Zwei Ansätze zur Veränderung von Systemen 22 Edit‘n‘Pray Cover‘n‘Modify Braucht hohe Aufmerksamkeit Sehr invasiv und zerstörend Viel zu kontrollieren Viel zu lesen und zu studieren Nutzt Tests als Sicherheitsnetz Schützt andere Codeteile Gibt schnelles Feedback Erlaubt präzise Eingriffe Hinweis: Einer dieser Ansätze ist nicht sooooo gut bei der Verwendung von Coding Agents …
23. Agentic Software Modernization 23 Agentic AI mit klassischen Analyse- und Validierungsmethoden sowie bewährten Modernisierungsvorgehen geschickt kombinieren, um Legacy-Systeme Schritt für Schritt, nachvollziehbar und verantwortbar weiterzuentwickeln. Ein mit einer Leine geführter Agent
24. 24 Agenten fokussieren
25. Context Overload 25 Image by https://www.philschmid.de/context-engineering Legacy Code Menge an Zeichen / Tokens, mit denen Large Language Models (LLMs) arbeiten, ist begrenzt. Große Mengen an Tokens machen LLM langsamer und unzu- verlässiger.
26. Je weniger Du tust, desto mehr davon kannst Du machen! Scott Hanselman Mein Leitprinzip 26
27. → → Code „Wer nur im Code sucht, findet auch nur dort Probleme.“ - Gernot Starke Vorgehen Idee sub encrypt{my($p)=@_;my$a="s";my$b="x";my$c=rev erse($p.$a.$b.$p);my$d=0;for(split//,$c.$p.$ a.uc($b).reverse($p)){ $d+=ord($_)*3+length($c)%7 }return "MEGA".$d."END"}print encrypt($ARGV[0]); Ach, eigentlich wollten die nur Passwörter hashen Überdenken? Standardisieren? Verbessern? 27
28. https://feststelltaste.github.io/littlestmodernization/
29. 29 Blast-Radius des Agenten reduzieren
30. Chaos begrenzen, Impact erhöhen 30 Das „Magische Dreieck der Softwaresanierung“* *ja, den Begriff habe ich mir selbst ausgedacht Slicing (zum Verstehen) Agenten einen überschaubaren, abgegrenzten Codeausschnitt zum Arbeiten geben. Sprouting (zum Erweitern) Seams (zum Flexibilisieren) Nahtstellen einbauen, damit Agenten neue Implementierungen und Tests sicher einhängen können. Greenfield-Bereich schaffen, in dem neue Features über Agenten unabhängig entstehen können.
31. Beispiel: Graph-basiertes Slicing 31 https://markusharrer.de/blog/2026/02/09/rpg-island-prototype/
33. 33 Überschau- barer Kontext für den Slice Auch: Bessere Bewertung möglich, wie viel Arbeit reingesteckt werden soll
34. public class Handler { public Handler() { processor = createProcessor(); ... } protected Processor createProcessor() { return new Processor(); } } Seam für bessere Austauschbarkeit 34 public class Handler { public Handler() { processor = new Processor(); ... } } Seam geschaffen vorher nachher Nun möglich, alternative, parallele Implementierung anzugehen!
35. Sprouting Saubere Erweiterungen unter Zeitdruck und ohne Ballast des Altsystems Agentic AI Use Case Auf der grünen Wiese neue Funktionsbereiche agentisch erstellen lassen, ohne zu viel vom Bestandssystem beeinflusst zu werden. Idee von Eric Evans aus “Getting Started with DDD When Surrounded by Legacy Systems” Legacy System Bubble Context Datenbank Code Code Übersetzt Legacy-System-(Denk-) Modell in neues (Denk-)Modell Sprouting im Großen mittels „Bubble Context“ Neuer Bubble Context 35
36. 36 Arbeitspakete für Agenten entwerfen
38. Hybride Ansätze diskutieren Legacy System Special Tools 38
39. Beispiel: Vibecoding von Tools 39 Von LLM- geschriebenes und von LLM-gestütztes Tool zum Erstellen von Abkürzungs- verzeichnissen
40. Beispiel: Guided AI mit Agents Durch Scripting geführte KI / „LLM in the Loop“ • (KI-erzeugtes) Skript identifiziert deterministisch problematische Stellen in der großen Code-Basis • Agent / LLM analysiert / ändert Fundstellen nicht-deterministisch 40 Jupyter AI mit Claude Code
42. Beispiel: Transformation Tools mit Agents 42 Durch Agenten erstellte Migrationsskripte • Agent erstellt auf Basis von Analysen nicht-deterministisch Anweisungen für vorzunehmende Anpassungen / Rezepte • Transformations-Tools führen Anweisungen deterministisch aus über die komplette Code-Basis AI Assisted Java Modernization: Building OpenRewrite Recipes with Tim te Beek https://www.youtube.com/watch?v=LpGguXsR93A
43. https://docs.openrewrite.org/concepts- and-explanations/recipes
44. 44 Code „ready“ für Agenten machen
45. Coding Agenten im Einsatz ... using a combination of glob and grep. Claude Code is making use of agentic search “ Anthropic: Transform Legacy Systems into Strategic Assets - Code Modernization with AI https://www.youtube.com/watch?v=8qtSeQuNv0o 45
46. Changing a mission- critical code chaos with search & replace. 46 What could possibly go wrong?
47. /src ├── BillingTeamsService.py ├── chargeTeamByCard.py ├── create-InvoiceData.py ├── datagatekeeper.PY ├── format-date-helpr.py ├── get-usr-prof.py ├── thequerymachine.py └── user_discount_srv.py ✗ Schlechte globability ✓ Gute globability /src ├── /modules │ └── /billing │ ├── __init__.py │ ├── charge_by_card_use_case.py │ ├── billing_service.py │ ├── invoice_repository.py │ ├── create_invoice_dto.py │ └── format_date_helper.py └── /infra └── db_client.py Strukturelle Navigation verbessern 47
48. Strukturinformationen einbringen 48 Namenskonventionen in Klassen Namenskonventionen in Modulen Definition mittels Annotationen Definition mittels Marker-Interfaces public class CustomerRepository { package org.springframework.samples.petclinic.repository; @interface Repository { @Repository class Customer { public interface Repository { public class CustomerDAO implements Repository {
49. Inhaltliche Orientierung ausbauen 49 BALR Registers Memory Address Customer Database CSTRPO01 LLM erkennt rein technische Details. Hat Schwierigkeiten, die Lücke zur Geschäftslogik zu überbrücken. 1 Extrem stark vereinfacht Customer Database Persistence SQL Account customerRepository LLM erkennt passende Muster zum andocken. Kurze Entfernung zu Geschäftskonzepten. ✗ Schlechte grepability ✓ Gute grepability
50. Semantische Anker nutzen Präzise definierte Fachbegriffe, Methodiken und Frameworks für eine effektive LLM-Kommunikation. […] Dienen als Referenzpunkte bei der Interaktion mit Large Language Models.[…] Fungieren als gemeinsames Vokabular, das spezifische, kontextreiche Wissensdomänen innerhalb der Trainingsdaten eines LLMs gezielt aktiviert. 50 Übernommen und übersetzt von https://llm-coding.github.io/Semantic-Anchors/
51. Semantische Anker - Beispiele ✗ "Write tests“ ✓ “Write test according to Behavior-Driven Development" ✗ “review architecture“ ✓ “review my hexagonal architecture style“ ✗ “improve database access” ✓ “migrate all DAOs to JPA repositories" Teils übernommen und übersetzt von https://llm-coding.github.io/Semantic-Anchors/ 51
52. Manager Entwickler Wir wollen die Codequalität verbessern, damit wir unseren Code verstehen können Wir wollen die Codequalität verbessern, damit AI unseren Code versteht 52
53. 53 Den „Agentic Loop“ verbessern
54. 54 Agenten folgen Mustern (leider?)
55. 55 Agenten folgen Mustern (leider?) https://www.reddit.com/r/ClaudeCode/comments/1rdfcyp/dont_worry_ive_got_all_day/
56. Über Harness Input & Feedback einbringen Context Engineering Kontinuierliches Anreichern der Wissensbasis in der Codebasis Architectural Constraints Überwachen durch LLM-basierte Agenten und deterministische Tools Garbage Collection Aufspüren von globalen Inkonsistenzen gegen lokale Entropie und schleichendem Verfall inspiriert durch Birgitta Böckeler https://martinfowler.com/articles/exploring-gen-ai/harness-engineering.html 56
57. Input vorher an Agenten liefern 57 ADRs Intent Conventions https://www.innoq.com/de/blog/2026/04/vom-vibe-coder-zum-agentic-engineer/
58. Language Server Protocol 58 real-time code intelligence while working on your codebase. “ https://code.claude.com/docs/en/plugins-reference
59. Language Server Protocol 59 als Input für Agenten https://karanbansal.in/blog/claude-code-lsp/
60. Feedback zurück an Agenten liefern 60 Linter Golden Master Testing Fitness Functions https://www.innoq.com/de/blog/2026/04/vom-vibe-coder-zum-agentic-engineer/ Drift Detector Code Reviewer
61. Language Server Protocol 61 als Feedback für Agenten https://karanbansal.in/blog/claude-code-lsp/
62. Feedback für den Agenten über ArchUnit 1. Erstellung von Architekturregeln mittels einer domänen- spezifischen Sprache (DSL) für strukturelle Checks 2. Prüfung von Architekturverletzungen zur Testzeit über einen Hook für den Agenten, wo Build darüber angestoßen wird. Mehr Informationen unter https://www.archunit.org/ Fitness Functions 62
63. 3. Interpretation und Rückmeldung von Architekturverletzungen über Subagent an den Haupt-Agenten Mehr Informationen unter https://www.archunit.org/ 63
64. Goldene Regel für Harnesses 64 If you can tool it, tool it. If you can’t, prompt it. Torben Keller https://www.innoq.com/de/blog/2026/04/vom-vibe-coder-zum-agentic-engineer/
65. Kleines Beispiel Mikado-Refactoring Skill mit Characterization Testing Hook und Fehleranalyse-Subagent sowie gevibecodetem Dashboard 65
66. Kleines Beispiel 66 Zerteile diese Gottklasse. Baue dir hierfür zuerst einen Mikado- Graphen auf (1) skill: mikado-graph (2) hook: PostToolUse -> run-approval-test.sh (3) subagent: -> test analysis agent Kleines Beispiel https://github.com/feststelltaste/trivia/tree/ agentic-golden-master/java/.claude
67. Kleines Beispiel: Mikado-Refactoring 67 (1) skill: mikado-graph --- name: mikado-graph description: Plan and track a complex refactoring using the Mikado Method. Trigger when the user mentions "mikado", wants to plan a refactoring or upgrade incrementally, needs to untangle blockers before changing code, or asks to track dependencies visually. --- # Mikado Graph The Mikado Method is an incremental refactoring technique: try a change, note what breaks, revert, then fix the blockers first. This skill tracks that process as a dependency graph — each node is a goal, a blocker, or a leaf task you can act on right now. ## Node types ...
77. Kleines Beispiel 77 Zerteile diese Gottklasse. Baue dir hierfür zuerst einen Mikado- Graphen auf (1) skill: mikado-graph (2) hook: PostToolUse -> run-approval-test.sh (3) subagent: -> test analysis agent
79. Kleines Beispiel 79 Zerteile diese Gottklasse. Baue dir hierfür zuerst einen Mikado- Graphen auf (1) skill: mikado-graph (2) hook: PostToolUse -> run-approval-test.sh (3) subagent: -> test analysis agent
81. Kleines Beispiel: Mikado-Refactoring 81 Zerteile diese Gottklasse. Baue dir hierfür zuerst einen Mikado- Graphen auf (1) skill: mikado-graph (2) hook: PostToolUse -> run-approval-test.sh (3) subagent: -> test analysis agent
82. Zusammenfassung Agentic Software Modernization 82
83. Ich hoffe, der Talk hatte sich nicht so angehört … 83
84. 84 … denn es gibt viel Potenzial Pre-Gen Spielraum für Fehlinterpretation Post-Gen Gen … und Arbeit.
85. Auch: Spannende Alternativen 85 Pre-Gen Spielraum für Fehlinterpretation Post-Gen Gen … , um Arbeit einzusparen.
86. Damals … 86 Herr Meier, 2005 Herr Meier, seien sie sich bewusst, dass sie Ihren Job als COBOL-Entwickler nicht mehr so lange haben. Es gibt ja jetzt Java, wodurch all unsere Probleme gelöst werden!
87. … wie … 87 Herr Meier, seien sie sich bewusst, dass sie Ihren Job als COBOL-Entwickler nicht mehr so lange haben. Es gibt ja jetzt Microservices, wodurch all unsere Probleme gelöst werden! Herr Meier, 2015
88. … heute. 88 Herr Meier, 2025 Herr Meier, seien sie sich bewusst, dass sie Ihren Job als COBOL-Entwickler nicht mehr so lange haben. Es gibt ja jetzt Agentic AI, wodurch all unsere Probleme gelöst werden!
89. Fragen, Diskussionen, Anmerkungen Networking Vielen Dank! 89 Feedback
90. 90 Anhang Agentic Software Modernization Cycle
91. Agentic Software Modernization Cycle Verstehen Modernisierungsbedarfe durch Interviews, System- sichtung und Challengen der bestehenden Strategien ermitteln. Entscheiden Agentische Optionen bewerten und konkrete Modernisierungsschritte festlegen. Transformieren AI-gestützt Code und Doku neu gestalten sowie Umfeld befähigen. Validieren Erfolge durch Tests, Benchmarks und Checks nachweisen. Agentic Software Modernization Assessment Agentic Software Modernization Use Cases AI-driven Code Transformation & Ecosystem Enablement Acceptance Workbench, AI Performance Benchmarking Exit Exit Exit 91 Exit
92. Agentic Software Modernization Cycle 92 Verstehen: Problemdefinition und Modernisierungsansätze
93. Agentic Software Modernization Cycle 93 Entscheiden: Workload-Design und Modernization Cases
94. Adhoc Reverse Engineering Scratch Refactoring Sparring Partner Design Speculation Werkzeugbau Verbessern von Bezeichnern klein groß Agentic Software Modernization Cycle 94 Transformieren: je nach Use Case umsetzen, z. B.
95. Beispiel (Prä-KI-Ära): Architektur-Refactoring von “No Architecture” zu “Hexagonal Architecture” Agentic Software Modernization Cycle 95 Validieren: Umbauarbeiten über die Zeit hinweg verfolgen https://www.innoq.com/en/blog/visualizing-progress-of- refactoring-into-hexagonal-architecture-using-jqassistant/
96. 96 Anhang Agents Grundlagen
97. Agentic – technisch gesehen Tool Use kann externe Werkzeuge verwenden Reasoning Loop Reason → Act → Observe Memory kurzfristig (Kontext) und langfristig (externer Speicher) Self-Correction erkennt Fehler und korrigiert den eigenen Kurs Multi-Step Planning zerlegt komplexe Aufgaben selbstständig in Teilschritte Goal-Driven bekommt Ziel / Auffor- derung und legt los bis Zielerreichung Structured Output definierte Strukturen und Formate als Ausgaben 97
98. Grundmechanik – AGENTS.md* 98 Instruktionen und Kontext für den Agenten * oder CLAUDE.md bei Anthropic # CLAUDE.md ## 1. Think Before Coding **Don't assume. Don't hide confusion. Surface tradeoffs.** Before implementing: - State your assumptions explicitly. If uncertain, ask. - If multiple interpretations exist, present them - don't pick silently. - If a simpler approach exists, say so. Push back when warranted. - If something is unclear, stop. Name what's confusing. Ask. ... Auszug von https://github.com/multica-ai/andrej-karpathy-skills/blob/main/CLAUDE.md
99. Grundmechanik – Commands 99 Gespeicherte Anweisungen, die Entwickler als Befehl aufrufen --- allowed-tools: Bash(./scripts/gh.sh:*), Bash(./scripts/comment-on-duplicates.sh:*) description: Find duplicate GitHub issues --- Find up to 3 likely duplicate issues for a given GitHub issue. To do this, follow these steps precisely: 1. Use an agent to check if the Github issue (a) is closed, (b) does not need to be deduped (eg. because it is broad product feedback without a specific solution, or positive feedback), or (c) already has a duplicates comment that you made earlier. If so, do not proceed. ... Auszug von https://github.com/anthropics/claude-code/blob/main/.claude/commands/dedupe.md
100. Grundmechanik – Skills 100 Umfangreichere Aktivitäten, die ein Agent bei bestimmten Trigger-Wörter ausführt / nutzt --- name: grill-me description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me". --- Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer. Ask the questions one at a time. ... Auszug von https://github.com/mattpocock/skills/blob/main/skills/productivity/grill-me/SKILL.md
101. Grundmechanik – Hooks 101 Aktivitäten, welche ein Agent an bestimmten Lifecycle-Punkten automatisch auslöst Grafik von https://code.claude.com/docs/en/hooks
102. Weitere Grundlagen 102 Überblick • Plugins Verteilungsmöglichkeit für die Erweiterung von paketierten Agenten-Fähigkeiten • RAG Retrieval-Augmented Generation Anbindung weiterer Infos, um Agenten Zugriff auf spezifische Informationen zu geben • MCP Model Context Protocol externe Tools einbinden, um die Fähigkeiten und das Wissen von Agenten zu erweitern • Sub Agents / Agent Teams Agenten, die miteinander zusammenarbeiten • Sandboxing Geschützte Ausführungsumgebung (Container, Firewall, Workspace) für Agents