IBM Bob Premium Package for Z (Bob PP4Z) bringt spezialisiertes IBM Z-Fachwissen direkt in Bob. PP4Z ist eine Premium-Fähigkeit, die auf Bobs agentischer Grundlage aufbaut und darauf ausgelegt ist, Mainframe-Teams bei einem breiteren Spektrum von Entwicklungsaufgaben zu unterstützen.
PP4Z ist für die Realität der Enterprise-Mainframe-Entwicklung konzipiert: große Anwendungen, eng vernetzte Systeme, kryptische Variablen, langlebige Geschäftslogik und Modernisierungsarbeiten, die sicher, konsistent und mit tiefem architektonischem Bewusstsein durchgeführt werden müssen.
Dieser Beitrag erklärt, warum große Mainframe-Bestände universelle KI-Coding-Tools an ihre Grenzen bringen. Er behandelt, was strukturierte Metadaten und Datenwörterbücher über die reine Quellcode-Suche hinaus leisten, wie Modellanreicherung Antworten auf von IBM freigegebene Dokumentation stützt und wie PP4Z Bobs modellgetriebenes Reasoning mit deterministischen IBM Z-Analyse- und Validierungstools kombiniert.
Eine Premium-Erfahrung für die IBM Z-Entwicklung
Moderne IBM Z-Entwicklung umfasst ein breites Spektrum an Aktivitäten jenseits des Schreibens von neuem Code – wie das Verstehen bestehender Anwendungen, das Nachverfolgen, wie sich eine Änderung durch ein großes System zieht, das Dokumentieren jahrzehntelanger Geschäftslogik und Modernisierungsentscheidungen, die sowohl sicher als auch nachvollziehbar sein müssen.
PP4Z ist darauf ausgelegt, diese Breite zu unterstützen. Es baut auf Bobs agentischer Grundlage auf und nutzt Bobs Skills, Subagenten und Workflows. Dann erweitert es sie um das, was IBM Z-Entwicklung spezifisch erfordert: strukturiertes Wissen über große, vernetzte Anwendungslandschaften, deterministische Analysetools für COBOL, PL/I und Assembler sowie Z-spezifische Modi, die auf die Arbeitsweise von Mainframe-Teams abgestimmt sind.
Lokale und unternehmensweite Metadaten für tiefere Anwendungseinblicke
Eine große Mainframe-Anwendung kann aus zehntausenden miteinander verbundener Programme bestehen, die COBOL, PL/I und Assembler umspannen, durch Batch-Scheduler koordiniert werden und in Subsysteme wie Db2, CICS und IMS integriert sind. Das Modell kann nicht allein durch Kontext über diesen Bestand urteilen. Bevor es eine Frage beantworten kann, muss es bestimmen, welche Programme und Beziehungen relevant sind.
Hier versagt die reine Quellcode-Suche. Stell dir vor, du bittest eine universelle KI, jedes Programm zu finden, das ein gemeinsames Datumsverarbeitungs-Utility aufruft (die Art von Routine, die von Dutzenden Programmen in einem großen COBOL-Bestand aufgerufen wird). Statische Textsuche findet explizite Call-Anweisungen, verfehlt aber dynamische Aufrufe, bei denen der Programmname in einer Variable gespeichert und zur Laufzeit aufgelöst wird. Führe dieselbe Abfrage zweimal aus, und das Modell wählt möglicherweise jedes Mal eine andere Suchstrategie mit unterschiedlichen Ergebnissen. Die Antwort wirkt plausibel, ist aber nicht zuverlässig.
PP4Z begegnet diesem Problem, indem es eine strukturierte, abfragbare Darstellung der Anwendung aufbaut, bevor das KI-Reasoning beginnt. Lokale Scanner befüllen Metadaten direkt aus dem Workspace. Es sind dieselben Scanner, die im Z Understand Container verwendet werden, und sie sind ohne Upload-Schritt verfügbar. Die Metadaten erfassen Programmbeziehungen, Call-Hierarchien, Kontrollfluss, Datenfluss, SQL-Nutzung, Transaktionsdefinitionen und Ressourcenabhängigkeiten in einer Form, die das Modell präzise abfragen kann.
Für unternehmensweite Analysen können Teams PP4Z mit dem Z Understand Container verbinden. Dadurch erhält Bob Zugang zu strukturierten Metadaten, die das gesamte Anwendungsportfolio umspannen, einschließlich Beziehungen jenseits des lokalen Workspace des Entwicklers. Entwickler können Bob dann Fragen stellen wie:
- Welche Programme rufen ein bestimmtes Utility auf?
- Welche Programme lesen eine bestimmte SQL-Tabelle?
- Was könnte betroffen sein, wenn dieses Feld seine Größe ändert?
Bob fragt die Metadaten ab, um relevante Programme und Beziehungen zu identifizieren, und untersucht dann den entsprechenden Quellcode, wo tiefere Analyse nötig ist. Die Antwort gründet auf konsistenten, abfragbaren Anwendungsdaten statt auf einer probabilistischen Suche über rohe Quelldateien.
Modellanreicherung: die IBM Z-Wissenslücke schließen
Der Großteil des IBM Z-Anwendungscodes liegt in privaten Enterprise-Repositories. Ein Universalmodell hat keinen Zugriff auf Quelle, Konventionen oder Geschäftskontext dieser Systeme. Es muss auch mit weniger öffentlichen Beispielen arbeiten als für Mainstream-Sprachen und Frameworks.
PP4Z begegnet dem durch Modellanreicherung: Kuratierte IBM Z-Referenzmaterialien werden analysiert, indexiert und Bob verfügbar gemacht, sodass Antworten zu IBM Z-Sprachen und Middleware auf dem basieren, was IBM tatsächlich dokumentiert. Die Anreicherungsschicht verarbeitet die IBM Z-Dokumentation so, dass Entwickler sie für konkrete Fragen zu Aufrufkonventionen, Feldstrukturen, Middleware-Verhalten und dokumentierten Sonderfällen nutzen können – Bereiche, in denen ein Universalmodell mit begrenztem Wissen über diese Umgebungen schwer erkennbare Fehler machen kann.
Der praktische Unterschied zeigt sich, wenn ein Entwickler Code schreibt oder modifiziert, der mit IBM Z-Middleware interagiert. Ein Universalmodell kann syntaktisch plausiblen Code produzieren, der präzise von IBM spezifizierte Verträge verletzt. Dank der Modellanreicherung basiert das Wissen, auf das PP4Z beim Formulieren einer Antwort zurückgreift, auf den tatsächlichen IBM-Spezifikationen und nicht auf einer bestmöglichen Näherung auf Grundlage begrenzter Trainingsdaten.
Geschäftsbewusste KI mit Datenwörterbüchern
Unklare Variablennamen gibt es in jeder Codebase, aber IBM Z-Anwendungen stellen dieses Problem in einem anderen Maßstab und in einer anderen Form dar. In vielen langlebigen COBOL-Anwendungen sind Geschäftslogik und Anwendungslogik eng miteinander verwoben. Bedeutung ist in knappen Feldnamen, Copybook-Layouts und Namenskonventionen verschlüsselt, die sich über Jahrzehnte ohne konsistente Durchsetzung angesammelt haben. Betrachte diesen WORKING-STORAGE SECTION:
01 WK10.
10 WK10-QUDISP PICTURE 9(10)
VALUE ZERO.
10 WK10-QUPIL PICTURE 9(3)
VALUE ZERO.
10 WK10-QUDIS PICTURE 9(15)
VALUE ZERO.
10 WK10-QUMYD PICTURE 9(10)
VALUE ZERO.Vier numerische Akkumulatoren sitzen in einer Gruppe namens WK10. Weder die Namen noch die PICTURE-Klauseln verraten einem Entwickler oder einem Modell, was irgendeiner von ihnen darstellt. Ein Modell ohne zusätzlichen Kontext könnte beobachten, dass WK10-QUDISP und WK10-QUDIS beide numerische Felder sind, wahrscheinlich distanzbezogen angesichts der QU- und DIS-Fragmente, und vermuten, dass sie ähnlichen Zwecken dienen. Diese Vermutung ist falsch. Der Ein-Zeichen-Unterschied zwischen ihnen ist die gesamte Geschichte.
Mit dem PP4Z-generierten Datenwörterbuch ist die Unterscheidung explizit. WK10-QUDIS ist die kumulierte Gesamtdistanz aller Piloten. Es wird während der Flugdatenverarbeitung inkrementiert und in der abschließenden Durchschnittsberechnung verwendet. WK10-QUDISP ist ein Pro-Pilot-Akkumulator. Er setzt sich auf null zurück, wenn die Verarbeitung des jeweiligen Piloten beginnt, und wird neben der Identifikation dieses Piloten angezeigt. Einer setzt sich pro Pilot zurück; der andere nie. Eine Erklärung oder Auswirkungsanalyse, die sie verwechselt, liefert die falsche Antwort darüber, was das Programm tut.
PP4Z generiert diese Einträge durch statische Analyse, wie jede Variable am Programm beteiligt ist. Die Analyse umfasst Kontrollfluss, I/O-Operationen, Berechnungen und Datenbewegung. Anstatt zu versuchen, jedes Feld zu dokumentieren, identifiziert sie die Variablen, die das Programmverhalten am stärksten beeinflussen: diejenigen, die, einmal benannt, den Rest des Programms verständlich machen. Datenwörterbuch-Einträge können lokal oder über den Z Understand Container verwaltet werden, mit Unterstützung für Bulk-Generierung, Überprüfung und Synchronisation zwischen Teams.
Dokumentation, Erklärung und Refactoring
Die Abschnitte zu Metadaten, Datenwörterbuch und Modellanreicherung erläutern, wie PP4Z sein Bild einer Anwendung aufbaut. Dieser Abschnitt behandelt, was Entwickler mit diesem Bild machen.
Dokumentation und Geschäftsregelextraktion erzeugen dauerhaftes Anwendungswissen im großen Maßstab. Teams können strukturierte Dokumentation für COBOL-, PL/I- und Assembler-Programme generieren, die Programmlogik, Datenflüsse und eingebettete Geschäftsregeln abdeckt. Sie können lokale Scanner-Metadaten für einen fokussierten Umfang oder den Z Understand Container für die gesamte Anwendung nutzen. Geschäftsregeln tauchen als Teil dieses Prozesses auf und geben technischen Teams und Modernisierungs-Stakeholdern eine lesbare Aufzeichnung dessen, was die Anwendung tut, ohne jeden Absatz manuell durchsuchen zu müssen.
Diese programmbezogene Dokumentation kann nun zu einer Anwendungsansicht kompiliert werden – einer strukturierten Site mit Diagrammen und querverweisenden Seiten, die die gesamte Anwendung umspannt. Einzelne Programmdokumentation beantwortet Fragen zu einem Programm. Die Anwendungsansicht gibt Teams und Modernisierungs-Stakeholdern eine Karte der gesamten Anwendung.
Umfassende Erklärung generiert eine detaillierte Erklärung eines Programms aus der Perspektive, die für die jeweilige Aufgabe am relevantesten ist: Architekt, Entwickler oder Business. PP4Z greift auf Anwendungsmetadaten, Datenwörterbuch-Einträge und seine Modellanreicherungsschicht zurück, um die Erklärung im Verhalten des Programms zu verankern.
Refactoring nutzt den gesammelten Kontext, um bestehenden Code in modulare, wiederverwendbare Services umzustrukturieren, während die Funktionalität erhalten bleibt. Der Workflow „Refactor COBOL or PL/I program" identifiziert Extraktionskandidaten, kartiert ihre Abhängigkeiten und führt durch die Transformation. Dies gibt Teams einen praktischen Modernisierungspfad, der die Wartbarkeit verbessert, ohne eine vollständige Neuentwicklung zu erfordern.
Integrierte Entwicklungs-, Qualitäts- und Debug-Fähigkeiten
Einige Teile des Entwickler-Workflows haben deterministische Antworten: ob Code einer Regel entspricht, welchen Pfad eine Variable durch ein Programm nimmt oder wohin die Kontrolle nach einem PERFORM transferiert. PP4Z behandelt diese durch dedizierte Tools. Das Modell interpretiert die resultierenden Fakten im Kontext dessen, was der Entwickler erreichen möchte.
Im PP4Z-Custom-Mode Z Code bietet Z Code Scan schnelle, regelbasierte statische Analyse für COBOL- und PL/I-Programme. Sein Linter-artiges Feedback erkennt Probleme ohne probabilistische Inferenz. Der Custom-Mode Z Architecture bietet Kontrollfluss- und Datenflussanalyse, einschließlich wie die Ausführung durch ein Programm läuft und wie Daten transformiert werden, wenn sie zwischen Absätzen und Copybooks fließen. Diese Tools produzieren konsistente, reproduzierbare Ergebnisse, unabhängig davon, wie die Frage formuliert ist.
Das Modell arbeitet mit der Ausgabe dieser Tools. Es kann ein Scan-Ergebnis im Kontext einer vorgeschlagenen Änderung interpretieren oder einen Datenfluss verfolgen, um eine bestimmte Frage zum Programmverhalten zu beantworten. Deterministische Analyse übernimmt, was regelgebunden ist; KI übernimmt, was Urteilsvermögen erfordert.
PP4Z enthält auch IBM Debug for z/OS und Code-Coverage-Fähigkeiten, sodass Teams direkt von KI-unterstützter Entwicklung zur Ausführungsvalidierung innerhalb derselben Umgebung wechseln können.
Skill Builder für unternehmensspezifisches Wissen
Anwendungsmetadaten, Datenwörterbücher, Modellanreicherung und deterministische Analyse bilden das IBM Z-Fundament, das PP4Z mitbringt. Mit Skill Builder bauen Organisationen darauf ihr eigenes Wissen auf.
Mit Skill Builder können Teams benutzerdefinierte Skills erstellen, die unternehmensspezifisches Wissen erfassen und anwenden – wie Coding-Standards, Namenskonventionen, technische Muster, Geschäftsterminologie und umgebungsspezifische Orientierung. Diese Skills helfen Bob zu verstehen, wie Entwicklung innerhalb einer bestimmten Organisation durchgeführt wird, reduzieren generische Annahmen und verbessern die Relevanz von KI-generierten Antworten. Skills können automatisch aufgenommen und dynamisch aufgerufen werden, wenn sie für die Anfrage und den Codekontext des Benutzers relevant sind, und integrieren sich direkt in bestehende PP4Z-Workflows.
Alles zusammenbringen
Skala, semantische Dichte und proprietärer Kontext machen die Mainframe-Entwicklung für universelle KI-Tools schwierig. PP4Z adressiert jeden Faktor direkt: strukturierte Metadaten für die Skalierung, Datenwörterbücher für die Geschäftsbedeutung, Modellanreicherung für die IBM Z-Dokumentationsabdeckung und deterministische Tools für regelgebundene Analyse.
In diesem Ansatz verstärken KI-Reasoning und deterministisches Wissen einander. Bob beginnt mit strukturierten Metadaten, greift auf kuratierte Dokumentation zurück und interpretiert die Ausgabe regelbasierter Tools. Entwickler können diese Belege prüfen, bevor sie in einer geschäftskritischen Umgebung auf die Antwort handeln.
Zum Einstieg nimm ein Programm, das dein Team bisher gemieden hat – vielleicht weil sein Zweck unklar ist oder seine Geschäftslogik seit Jahren nicht angepasst wurde. Führe den lokalen Scanner aus, um seine Metadaten aufzubauen, und generiere ein Datenwörterbuch für seine wichtigsten Variablen. Nutze den Explain-Workflow, um zu verstehen, was das Programm macht, und führe dann den Dokumentations-Workflow aus, um dieses Wissen in deinem Workspace zu erfassen. Von dort aus unterstützt dieselbe Grundlage Auswirkungsanalyse, Refactoring und Qualitätsvalidierung. Das Team beginnt mit einem Programm, das es jetzt versteht.