Автоматизация ревёрс-инжиниринга: как GITVERSE превращает код в архитектурные промпты

Я — Denis Shokhirev, архитектор Enterprise AI из Эрлангена, Германия. В DennisCraft AI Studio я внедряю AI-агентов для B2B-клиентов DACH на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres. В последние 6 месяцев я выпустил 14 production-агентов. Типичная боль: новый клиент приносит кодовую базу, документацию нет, архитектура устарела, ревёрс-инжиниринг руками занимает дни.

Проблема ревёрс-инжиниринга в B2B-проектах

В B2B логистике и финтехе кодовые базы часто устаревают быстрее, чем их документация. Приходится разбирать легаси вручную: строить dependency-графы, вытаскивать схемы, ловить баги в местах, о которых никто не помнит. На 3 из 5 внедряемых мной агентов приходится тратить 2–4 дня только на ручной аудит кода и построение архитектурных схем.

Человеческий фактор и регуляторика

В DACH-рынке требования к traceability и аудиту архитектуры жесткие: ISO 27001, DSGVO, внутренние политики. Ошибка в архитектурном понимании — потом неделя багфикса. Поэтому автоматизация ревёрс-инжиниринга — не роскошь, а вопрос скорости вывода AI в продакшн.

GITVERSE-подход: метапромптинг архитектуры

Я использую термин GITVERSE для практики извлечения архитектурных паттернов и структурных промптов из кода с помощью LLM и статического анализа. Это не продукт, а паттерн: цель — получить структурированное представление архитектуры для AI-агента, не переписывая код вручную.

Пайплайн автоматизации

Клонируем репозиторий и индексируем код (напр., через Supabase vector storage).
Делаем статический анализ semgrep, bandit и gitleaks — ищем уязвимости и ключевые паттерны (например, неявные SQL-запросы, явные credentials).
Генерируем структурные промпты для LLM (Claude, GPT-4) — описания модулей, схемы данных, dependency-диаграммы.
Валидация через n8n: автоматический запуск пайплайна на каждый pull request, сбор отчётов.


import subprocess
import openai
def run_semgrep(repo_path):
    result = subprocess.run(
        ["semgrep", "--config", "auto", repo_path],
        capture_output=True, text=True)
    return result.stdout

def extract_architecture(codebase_path):
    semgrep_report = run_semgrep(codebase_path)
    prompt = f"Извлеки ключевые модули и их связи:\n{semgrep_report}"
    response = openai.Completion.create(
        engine="gpt-4", prompt=prompt, max_tokens=512)
    return response['choices'][0]['text'].strip()

Сравнение инструментов для автоматизации ревёрс-инжиниринга

Инструмент	Задача	Реальная польза в GITVERSE
semgrep	Поиск паттернов, багов, архитектурных антипаттернов	Автоматизация поиска уязвимостей и зависимостей
bandit	Безопасность Python-кода	Поиск insecure imports, SQL-injection, hardcoded secrets
gitleaks	Поиск credentials, токенов	Автоматический аудит на предмет утечек
n8n	Оркестрация пайплайнов	Автоматический запуск аудита и генерации промптов

Промпт-архитектура для LLM: подходы к генерации

Структурные промпты на основе анализа

Ручное составление промптов для LLM не масштабируется. Я строю шаблоны промптов, которые автоматически наполняются результатами статического анализа. Например, схема взаимодействия сервисов, список эндпоинтов, описание моделей данных.


def build_prompt(analysis_output):
    return (
        "Ты — AI-архитектор. На основе анализа кода опиши архитектуру:\n"
        f"{analysis_output}\n"
        "Структурируй вывод: [Модули], [Взаимодействие], [Зависимости], [Уязвимости]."
    )

Валидация и улучшение промптов

Каждый промпт тестируется на production-кейсе: сравниваю вывод LLM с реальной архитектурой (или с тем, что удалось вытащить руками). Если LLM путает связи — корректирую шаблон.

Интеграция в CI/CD и аудит для compliance

Клиенты DACH требуют auditable workflow: каждый pull request должен автоматически проходить ревёрс-инжиниринг и формировать отчёт для compliance. Я реализую это через связку n8n + Supabase для хранения результатов, автоматические уведомления в Slack/Teams, и историю изменений архитектурных промптов.


name: reverse-engineering
on: [pull_request]
jobs:
  audit:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Static Analysis
        run: semgrep --config auto .
      - name: Prompt Generation
        run: python generate_prompts.py
      - name: Store Results
        run: curl -X POST https://my-supabase-url/reports

FAQ

Какой инструмент показал максимальную пользу для ревёрс-инжиниринга?

semgrep, потому что позволяет быстро находить нестандартные паттерны и архитектурные баги, которые не ловит bandit или gitleaks.

Насколько стабильны LLM-промпты в реальных задачах?

Стабильность промптов растёт с накоплением шаблонов и тестов. На первых трёх проектах LLM часто ошибался в связях, сейчас точность выше 85% по ручной валидации.

Можно ли обойтись без CI/CD интеграции?

В мелких проектах — да, но для compliance в DACH автоматизация обязательна.

Что делать, если кодовая база частично закрытая (NDA)?

Использую self-hosted Postgres и изолированные пайплайны без выхода в облако. LLM работает в on-prem режиме или через защищённый API.

Как быстро внедрить пайплайн GITVERSE в существующий проект?

1–2 дня на настройку semgrep, bandit, n8n и шаблонов промптов. Основная сложность — адаптация под custom-структуры клиента.

В какой момент ревёрс-инжиниринга у вас чаще всего всплывают архитектурные риски: статический анализ, ручная проверка или уже при интеграции AI? Я реально хочу услышать кейсы. Я делаю бесплатный 30-мин аудит стека для B2B-команд на DACH, которые строят AI в регуляторных нишах. Пишите в личку @ger_dennis_ai.