IBM Bob Premium Package for Z (Bob PP4Z) membawa keahlian IBM Z yang khusus langsung ke dalam Bob. PP4Z adalah kemampuan premium yang dibangun di atas fondasi agentic Bob, dirancang untuk mendukung tim mainframe di berbagai jenis pekerjaan development yang lebih luas.
PP4Z dirancang untuk realitas pengembangan mainframe enterprise: aplikasi besar, sistem yang saling terhubung rapat, variabel yang sulit dipahami, logika bisnis yang hidup sangat lama, dan pekerjaan modernisasi yang harus dilakukan dengan aman, konsisten, dan dengan kesadaran arsitektural yang mendalam.
Post ini menjelaskan mengapa estate mainframe besar mendorong AI coding tool general-purpose sampai ke batasnya. Post ini membahas apa yang diberikan metadata terstruktur dan data dictionary di luar retrieval source mentah, bagaimana augmentasi model membumikan respons pada dokumentasi yang disetujui IBM, dan bagaimana PP4Z menggabungkan penalaran Bob yang digerakkan model dengan tool analisis dan validasi IBM Z yang deterministik.
Pengalaman premium untuk development IBM Z
Development IBM Z modern mencakup banyak aktivitas di luar menulis kode baru, seperti memahami aplikasi yang sudah ada, menelusuri bagaimana satu perubahan menjalar melalui sistem besar, mendokumentasikan logika bisnis yang berumur puluhan tahun, dan membuat keputusan modernisasi yang harus aman sekaligus dapat dipertanggungjawabkan.
PP4Z dirancang untuk mendukung keluasan itu. Produk ini dibangun di atas fondasi agentic Bob dan memanfaatkan skill, subagent, serta workflow Bob. Lalu produk ini memperluas semuanya dengan kebutuhan spesifik development IBM Z: pengetahuan terstruktur tentang lanskap aplikasi besar yang saling terhubung, tool analisis deterministik untuk COBOL, PL/I, dan Assembler, serta mode khusus Z yang di-tune untuk cara tim mainframe bekerja.
Metadata lokal dan enterprise untuk insight aplikasi yang lebih dalam
Aplikasi mainframe besar bisa terdiri dari puluhan ribu program yang saling terhubung, mencakup COBOL, PL/I, dan Assembler, dikoordinasikan oleh batch scheduler, dan terintegrasi dengan subsystem seperti Db2, CICS, dan IMS. Model tidak bisa bernalar di seluruh estate itu hanya lewat konteks. Sebelum bisa menjawab pertanyaan, model harus menentukan program dan relationship mana yang penting.
Di sinilah retrieval source mentah mulai runtuh. Bayangkan meminta AI general-purpose menemukan setiap program yang memanggil utility pemrosesan tanggal bersama (jenis routine yang dipanggil oleh puluhan program di estate COBOL besar). Pencarian teks statis menemukan statement pemanggilan yang eksplisit tetapi melewatkan dynamic call, saat nama program disimpan dalam variabel dan di-resolve saat runtime. Jalankan query yang sama dua kali dan model mungkin memilih strategi pencarian berbeda setiap kali, lalu mengembalikan hasil yang berbeda. Jawabannya terlihat masuk akal, tetapi tidak andal.
PP4Z mengatasi ini dengan membangun representasi aplikasi yang terstruktur dan bisa di-query sebelum penalaran AI dimulai. Scanner lokal mengisi metadata langsung dari workspace. Scanner ini sama dengan yang digunakan di container Z Understand dan tersedia tanpa langkah upload. Metadata itu menangkap relationship program, call hierarchy, control flow, data flow, penggunaan SQL, definisi transaksi, dan dependency resource dalam bentuk yang bisa di-query model dengan presisi.
Untuk analisis berskala enterprise, tim bisa menghubungkan PP4Z ke container Z Understand. Ini memberi Bob akses ke metadata terstruktur yang mencakup portfolio aplikasi yang lebih luas, termasuk relationship di luar workspace lokal developer. Developer kemudian bisa mengajukan pertanyaan ke Bob seperti:
- Program mana yang memanggil utility tertentu?
- Program mana yang membaca tabel SQL tertentu?
- Apa saja yang bisa terdampak jika ukuran field ini berubah?
Bob meng-query metadata untuk mengidentifikasi program dan relationship yang relevan, lalu memeriksa source yang sesuai ketika dibutuhkan analisis yang lebih dalam. Responsnya dibumikan pada data aplikasi yang konsisten dan bisa di-query, bukan pencarian probabilistik atas file source mentah.
Augmentasi model: menutup kesenjangan pengetahuan IBM Z
Sebagian besar kode aplikasi IBM Z berada di repository enterprise privat. Model general-purpose tidak punya akses ke source, konvensi, atau konteks bisnis dalam sistem-sistem itu. Model itu juga harus bekerja dengan lebih sedikit contoh publik dibandingkan yang akan ditemuinya pada bahasa dan framework mainstream.
PP4Z mengatasi ini lewat augmentasi model: materi referensi IBM Z yang dipilih dikurasi, dianalisis, diindeks, dan dibuat tersedia untuk Bob sehingga respons yang menyentuh bahasa dan middleware IBM Z dibumikan pada apa yang benar-benar didokumentasikan IBM. Lapisan augmentasi memproses dokumentasi IBM Z dengan cara yang membuatnya bisa dipakai untuk jenis pertanyaan spesifik yang diajukan developer: calling convention, struktur field, perilaku middleware, dan edge case terdokumentasi yang bisa salah dipahami model umum dengan paparan terbatas ke lingkungan seperti ini.
Perbedaan praktisnya terlihat saat developer menulis atau memodifikasi kode yang berinteraksi dengan middleware IBM Z. Model umum mungkin menghasilkan kode yang tampak benar secara sintaks tetapi melanggar kontrak presisi yang ditentukan IBM. Dengan augmentasi model, pengetahuan yang dipakai PP4Z saat menyusun respons dibumikan pada apa yang benar-benar ditentukan IBM, bukan pendekatan terbaik berbasis paparan pelatihan yang terbatas.
AI yang sadar konteks bisnis dengan data dictionary
Nama variabel yang tidak jelas ada di setiap codebase, tetapi aplikasi IBM Z menghadirkan masalah ini dalam skala dan bentuk yang berbeda. Dalam banyak aplikasi COBOL yang berumur panjang, logika bisnis dan logika aplikasi saling terjalin erat. Makna dikodekan dalam nama field yang singkat, layout copybook, dan konvensi penamaan yang menumpuk selama puluhan tahun tanpa penegakan yang konsisten. Perhatikan WORKING-STORAGE SECTION berikut:
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.Ada empat numeric accumulator di dalam grup bernama WK10. Tidak ada dalam nama atau clause PICTURE yang memberi tahu developer atau model apa yang direpresentasikan masing-masing. Model tanpa konteks tambahan mungkin akan melihat bahwa WK10-QUDISP dan WK10-QUDIS sama-sama field numerik, kemungkinan berkaitan dengan jarak karena fragmen QU dan DIS, lalu menebak bahwa keduanya melayani tujuan yang serupa. Tebakan itu salah. Perbedaan satu karakter di antara keduanya adalah keseluruhan ceritanya.
Dengan data dictionary yang dihasilkan PP4Z, perbedaannya menjadi eksplisit. WK10-QUDIS adalah total kumulatif jarak terbang di seluruh pilot. Nilai ini terus ditambah sepanjang pemrosesan catatan penerbangan dan digunakan dalam perhitungan rata-rata akhir. WK10-QUDISP adalah akumulator per pilot. Nilainya di-reset ke nol pada awal blok pemrosesan setiap pilot dan ditampilkan bersama identifikasi pilot tersebut. Yang satu di-reset per pilot; yang satu lagi tidak pernah di-reset. Penjelasan atau impact analysis yang mencampur keduanya akan menghasilkan jawaban yang salah tentang apa yang dilakukan program.
PP4Z menghasilkan entri-entri ini lewat static analysis atas bagaimana tiap variabel berpartisipasi dalam program. Analisisnya mencakup control flow, operasi I/O, kalkulasi, dan perpindahan data. Alih-alih mencoba mendokumentasikan setiap field, sistem ini mengidentifikasi variabel yang paling memengaruhi perilaku program: variabel-variabel yang, setelah diberi nama dengan baik, membuat bagian lain program menjadi terbaca. Entri data dictionary dapat dikelola secara lokal atau melalui container Z Understand, dengan dukungan untuk pembuatan massal, peninjauan, dan sinkronisasi lintas tim.
Dokumentasi, penjelasan, dan refactoring
Bagian metadata, data dictionary, dan augmentasi model membahas bagaimana PP4Z membangun gambaran aplikasinya. Bagian ini membahas apa yang dilakukan developer dengan gambaran itu.
Dokumentasi dan ekstraksi business rule menghasilkan pengetahuan aplikasi yang tahan lama dalam skala besar. Tim bisa menghasilkan dokumentasi terstruktur untuk program COBOL, PL/I, dan Assembler, yang mencakup logika program, alur data, dan business rule yang tertanam. Mereka bisa menggunakan metadata scanner lokal untuk cakupan yang fokus atau container Z Understand untuk aplikasi penuh. Business rule muncul sebagai bagian dari proses itu, memberi tim teknis dan stakeholder modernisasi catatan yang mudah dibaca tentang apa yang dilakukan aplikasi tanpa harus menelusuri setiap paragraf secara manual.
Dokumentasi di level program itu sekarang dapat dikompilasi menjadi application view, sebuah situs terstruktur dengan diagram dan halaman silang-referensi yang mencakup seluruh aplikasi. Dokumentasi program individual menjawab pertanyaan tentang satu program. Application view memberi tim dan stakeholder modernisasi peta seluruh aplikasi.
Comprehensive explanation menghasilkan penjelasan rinci tentang sebuah program dari perspektif yang paling penting untuk tugas yang sedang dihadapi: Architect, Developer, atau Business. PP4Z memanfaatkan metadata aplikasi, entri data dictionary, dan lapisan augmentasi modelnya untuk membumikan penjelasan itu pada perilaku program.
Refactoring memakai konteks yang sudah dikumpulkan untuk menyusun ulang kode yang ada menjadi service modular dan dapat digunakan ulang sambil mempertahankan fungsionalitas. Workflow Refactor COBOL or PL/I program mengidentifikasi kandidat extraction, memetakan dependency-nya, lalu memandu transformasinya. Ini memberi tim jalur modernisasi yang praktis untuk meningkatkan maintainability tanpa perlu full rewrite.
Kemampuan development, quality, dan debug yang terintegrasi
Beberapa bagian workflow developer punya jawaban yang deterministik: apakah kode mematuhi sebuah rule, jalur mana yang dilalui variabel tertentu dalam program, atau ke mana kontrol berpindah setelah sebuah PERFORM. PP4Z menangani hal-hal ini lewat tool khusus. Model lalu menafsirkan fakta yang dihasilkan dalam konteks apa yang sedang ingin dicapai developer.
Dalam custom mode PP4Z Z Code, Z Code Scan menyediakan static analysis berbasis rule yang cepat untuk program COBOL dan PL/I. Umpan balik bergaya linter ini menangkap masalah tanpa inferensi probabilistik. Custom mode Z Architecture menyediakan control-flow dan data-flow analysis, termasuk bagaimana eksekusi bergerak melalui program dan bagaimana data berubah saat mengalir antar paragraf dan copybook. Tool-tool ini menghasilkan hasil yang konsisten dan bisa diulang terlepas dari cara pertanyaannya diajukan.
Model bekerja dengan output dari tool-tool tersebut. Model bisa menafsirkan hasil scan dalam konteks perubahan yang diusulkan atau menelusuri data flow untuk menjawab pertanyaan spesifik tentang perilaku program. Analisis deterministik menangani apa yang terikat rule; AI menangani apa yang memerlukan pertimbangan.
PP4Z juga mencakup IBM Debug for z/OS dan kemampuan code coverage, sehingga tim bisa berpindah dari development berbantuan AI langsung ke validasi di level eksekusi dalam lingkungan yang sama.
Skill Builder untuk pengetahuan khusus enterprise
Metadata aplikasi, data dictionary, augmentasi model, dan analisis deterministik membentuk fondasi IBM Z yang dikirim bersama PP4Z. Skill Builder adalah cara organisasi melapisi pengetahuan mereka sendiri di atas fondasi itu.
Dengan Skill Builder, tim bisa membuat skill kustom yang menangkap dan menerapkan pengetahuan khusus enterprise seperti coding standard, konvensi penamaan, pola teknis, terminologi bisnis, dan panduan yang spesifik terhadap environment. Skill-skill ini membantu Bob memahami bagaimana development dilakukan di dalam organisasi tertentu, mengurangi asumsi generik dan meningkatkan relevansi respons yang dihasilkan AI. Skill bisa di-ingest secara otomatis dan dipanggil secara dinamis saat relevan dengan permintaan user dan konteks kode, terintegrasi langsung ke workflow PP4Z yang ada.
Menyatukan semuanya
Skala, kepadatan semantik, dan konteks proprietary membuat development mainframe sulit bagi AI tool general-purpose. PP4Z menangani setiap faktor itu secara langsung: metadata terstruktur untuk skala, data dictionary untuk makna bisnis, augmentasi model untuk cakupan dokumentasi IBM Z, dan tool deterministik untuk analisis yang terikat rule.
Dalam pendekatan ini, penalaran AI dan pengetahuan deterministik saling memperkuat. Bob memulai dengan metadata terstruktur, memanfaatkan dokumentasi terkurasi, lalu menafsirkan output dari tool berbasis rule. Developer dapat memeriksa bukti itu sebelum bertindak atas jawabannya dalam environment mission-critical.
Untuk memulai, pilih satu program yang selama ini dihindari timmu, mungkin karena tujuannya tidak jelas atau logika bisnisnya tidak disentuh selama bertahun-tahun. Jalankan scanner lokal untuk membangun metadata-nya dan hasilkan data dictionary untuk variabel-variabel kuncinya. Gunakan explain workflow untuk memahami apa yang dilakukan program itu, lalu jalankan documentation workflow untuk menangkap pengetahuan itu di workspace-mu. Dari sana, fondasi yang sama mendukung impact analysis, refactoring, dan validasi kualitas. Timmu memulai dengan satu program yang sekarang benar-benar mereka pahami.