Wer schon einmal große Feature Flags oder veraltete Codebestandteile in einer monorepo-Architektur bereinigen musste, weiß: Das ist kein Task für nebenbei. Es braucht eine klare Strategie, Automatisierung – und in Atlassians Fall: den gezielten Einsatz von Künstlicher Intelligenz mit Rovo Dev.
In diesem Beitrag geben wir als Atlassian-Partner einen Einblick, wie Atlassian-Ingenieure mithilfe von AI-gesteuerten Workflows ein komplexes Refactoring-Projekt erfolgreich umgesetzt haben – inklusive Lessons Learned für alle, die Ähnliches planen.
1. Herausforderung: Bereinigung von Feature Flags im großen Stil
Im Zuge eines neuen Navigationssystems („Nav4“) hatten sich in Atlassians Frontend-Monorepo zahlreiche Feature Flags (FGs) und Mocks angesammelt – verteilt über mehr als 100 Pakete und 1.400 Dateien. Ziel: Sämtliche FGs und Mocks rückstandslos entfernen, ohne Qualitätseinbußen oder Risiken.
Die Herausforderung:
- Heterogene Tools und Paketstrukturen
- Unterschiedliche Syntaxvarianten
- Technische Abhängigkeiten und Altlasten
- Minimale Downtime, maximale Codequalität
2. Der Workflow: So wurde AI sinnvoll integriert
Die Atlassian-Teams setzten auf eine iterative, absichernde Vorgehensweise:
- Zunächst wurden mit Discovery Prompts alle FG- und Mock-Vorkommen systematisch identifiziert.
- Eine Memory-Datei lieferte der AI (Rovo Dev) den nötigen Kontext für gezielte Änderungen.
- Auf Basis dieses Kontexts generierte Rovo Dev automatisierte Vorschläge zur Codebereinigung – von Bash-Skripten bis hin zu Pull Requests.
- Die Änderungen wurden in kleinen Paketen getestet, verfeinert und schrittweise ausgerollt – inklusive menschlicher Code-Reviews.
3. Technische Bausteine: Rovo Dev, Prompts, Memory Files
Rovo Dev ist Atlassians AI-Agent, der sich durch folgende Fähigkeiten auszeichnet:
- Multilinguale Codeverarbeitung (Bash, Python, API, Git)
- Analyse von Fehlermeldungen und Vorschlag konkreter Fixes
- Wiederverwendbare Transformationen auf Paketebene
- Unterstützung bei parallelen Refactorings in mehreren DevBoxes
Die Kombination aus dauerhaftem AI-Kontext (Memory File) und präzisen Prompts machte es möglich, zuverlässig, effizient und ohne „AI-Halluzinationen“ zu arbeiten.
4. Was funktioniert hat – und was nicht
Was gut lief:
- Systematisches Mapping von FG-Varianten mit Discovery-Prompts
- Reproduzierbare Paket-basierte Transformationen
- Iterativer Ausbau der Lösungsschritte („build simple → refine → scale“)
- Parallelisierung durch DevBoxes & Rovo Dev
Was nicht funktioniert hat:
Ein rein „AI → Script → Auto-Cleanup“-Ansatz ohne menschliches Eingreifen führte zu fehlerhaften Änderungen. Erst durch gezielte Review- und Korrekturschleifen konnte die Codequalität gesichert werden.
5. Best Practices für sicheres, automatisiertes Refactoring
- Iterativ vorgehen: Kleine Pakete, häufige CI-Runs, enges Feedback.
- AI-Kontext präzise definieren: Memory Files als zentrale Wissensquelle.
- Dead Code gezielt identifizieren: AI kann Zusammenhänge erkennen, die einfache Scripte nicht erfassen.
- Safety first: Typprüfungen, Integrationstests und manuelle Reviews bleiben Pflicht.
Discovery First: Unklare Aufgaben zuerst in strukturierte Backlogs überführen.
6. Fazit: AI als Partner im Engineering-Prozess
Der größte Mehrwert von AI bei großflächigem Refactoring liegt nicht in der vollständigen Automatisierung – sondern in der intelligenten Assistenz:
Schnelleres Identifizieren von Altlasten
Höhere Konsistenz bei Codeänderungen
Deutlich reduzierte manuelle Aufwände
Verbesserte Wiederverwendbarkeit von Patterns
Atlassian hat gezeigt: Mit dem richtigen Setup wird AI zum verlässlichen Sparringspartner – auch bei anspruchsvollen Cleanups.
KONTAKTIEREN!
Häufig gestellte Fragen zum Einsatz von AI bei großflächigem Refactoring