KI-gestütztes Refactoring: Atlassians Erfolg mit Rovo Dev und AI

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.

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

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.

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.

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.

Best Practices für sicheres, automatisiertes Refactoring

1. Iterativ vorgehen: Kleine Pakete, häufige CI-Runs, enges Feedback.

2. AI-Kontext präzise definieren: Memory Files als zentrale Wissensquelle.

3. Dead Code gezielt identifizieren: AI kann Zusammenhänge erkennen, die einfache Scripte nicht erfassen.

4. Safety first: Typprüfungen, Integrationstests und manuelle Reviews bleiben Pflicht.
   Discovery First: Unklare Aufgaben zuerst in strukturierte Backlogs überführen.

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!