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
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.
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.
Häufig gestellte Fragen zum Einsatz von AI bei großflächigem Refactoring
Rovo Dev arbeitet nicht nur als Codegenerator, sondern als kontextsensitiver Assistent mit dauerhaftem Gedächtnis (Memory File). Dadurch kann die AI nachvollziehen, wo und warum Änderungen nötig sind – und gezielte, qualitativ hochwertige Transformationen vorschlagen, anstatt nur „blinde“ Codeänderungen vorzunehmen.
Obwohl Rovo Dev viele Arbeitsschritte automatisieren konnte, blieb der menschliche Reviewprozess essenziell. Codequalität, Sicherheit und logische Konsistenz lassen sich (noch) nicht allein durch AI garantieren – insbesondere bei der Entfernung von Feature Flags und der Identifikation von indirekt betroffenem „Dead Code“.
Durch die Nutzung mehrerer DevBox-Instanzen parallel konnte das Team Refactoring-Aufgaben gleichzeitig in verschiedenen Codebereichen durchführen. In Kombination mit Rovo Dev entstand so ein hochskalierbares, verteiltes Cleanup-System, das deutlich schneller war als ein rein manueller Ansatz.
Atlassian setzte auf eine strukturierte AI-Konfiguration, bestehend aus einem klar definierten Kontext (Memory File), strukturierten Prompts und eng getakteten Feedbackschleifen. So wurde sichergestellt, dass die AI nur innerhalb definierter Bereiche agiert – mit hoher Präzision und Nachvollziehbarkeit.
Ja – genau das war eines der Hauptziele. Der beschriebene Workflow ist wiederverwendbar und skalierbar, z. B. für die Entfernung anderer Feature Flags, veralteter APIs oder technischer Altlasten in großen Repositories. Voraussetzung: eine geeignete AI-Umgebung wie Rovo Dev und ein diszipliniertes Iterationsmodell.
Have questions or need personal advice? Our expert is happy to help.
Book a call