ReHoster

ReHoster — Java-фреймворк для миграции legacy-приложений в контейнеры на основе анализа поведения программ во время выполнения.

Возможности

• Запуск legacy-приложения как внешнего процесса
• Сбор телеметрии о запуске и окружении во время выполнения
• Парсинг .env файлов проекта (поддержка PHP, Laravel, Node.js проектов)
• Автоматическое определение зависимостей (MySQL, PostgreSQL, Redis, MongoDB)
• Многораундовый анализ с разными конфигурациями
• Построение модели зависимостей и требований к окружению
• Генерация артефактов контейнеризации: Dockerfile, docker-compose.yml и рекомендации
• Опциональный AI-режим — интерактивное уточнение артефактов через локальную нейросеть (LM Studio)

Требования

• Java 8
• Maven 3.6
• Docker
• LM Studio с запущенным локальным сервером на localhost:1234 — только для AI-режима

Структура проекта

src/main/java/com/rehoster/
├── Main.java                    # Точка входа
├── cli/                         # Парсинг аргументов командной строки
├── orchestrator/                # Координация pipeline
├── launcher/                    # Запуск legacy-процессов
├── collector/                   # Сборщики данных
│   ├── process/                 # Сбор информации о процессах
│   ├── env/                     # Сбор переменных окружения
│   └── args/                    # Сбор аргументов запуска
├── storage/                     # Сохранение данных в JSON
├── analysis/                    # Анализ зависимостей
├── generation/                  # Генерация Dockerfile/Compose
├── model/                       # Модели данных
│   ├── run/                     # RunConfig, RunContext, LaunchResult
│   ├── snapshot/                # RuntimeSnapshot, ProcessInfo, EnvVar
│   ├── analysis/                # AppDependencyModel, EnvVarSpec
│   └── generation/              # DockerfileSpec, ComposeSpec, RunReport
└── ai/                          # AI-подсистема
    ├── client/                  # LmStudioAiClient, AiClient interface
    ├── interactive/             # UserRequirementCollector
    ├── config/                  # AiConfig, AiMode, AiProvider
    ├── prompt/                  # AiPromptBuilder
    ├── service/                 # AiArtifactRefiner, парсер, валидатор
    └── model/                   # AiRefinementRequest/Result/Outcome

Сборка проекта

mvn clean package

После сборки JAR-файл будет находиться в target/rehoster-1.0.0.jar

GitHub и CI/CD

В проект добавлена конфигурация GitHub Actions:

• CI — workflow .github/workflows/ci.yml запускается при каждом push в main/master и при каждом pull_request, собирает проект через Maven и сохраняет JAR как build artifact.
• Release — workflow .github/workflows/release.yml запускается при публикации Git-тега вида v*, собирает актуальный JAR, создаёт GitHub Release и прикрепляет файл target/rehoster-<version>.jar.

Чтобы выпустить новую версию:

git tag v1.0.0
git push origin v1.0.0

Запуск

Базовый синтаксис

java -jar target/rehoster-1.0.0.jar run [опции] -- <команда legacy-приложения>

Опции

Опция	Описание	По умолчанию
-t, --timeout <секунды>	Таймаут выполнения процесса	60
-d, --dir <путь>	Рабочая директория	текущая
-o, --output <путь>	Директория для результатов	rehoster-output
-e, --env <KEY=VALUE>	Переопределение переменной окружения	—
--ai	Включить AI-режим (требует LM Studio)	выключено
--ai-mode <off|advisory|auto>	Режим AI (advisory — не применяет изменения автоматически)	off
--ai-model <model>	Переопределить имя модели в LM Studio	qwen/qwen3.5-9b
--ai-timeout <секунды>	Таймаут AI-запроса	120
-h, --help	Показать справку	—

Примеры использования

1. Анализ Java-приложения

java -jar target/rehoster-1.0.0.jar run -- java -jar myapp.jar

2. Анализ с таймаутом и переменными окружения

java -jar target/rehoster-1.0.0.jar run -t 120 -e DB_HOST=localhost -- java -jar myapp.jar

3. Анализ Python-скрипта

java -jar target/rehoster-1.0.0.jar run -- python app.py --port 8080

4. Запуск с AI-режимом

java -jar target/rehoster-1.0.0.jar run --ai -- java -jar myapp.jar

5. AI в advisory-режиме (артефакты не применяются автоматически)

java -jar target/rehoster-1.0.0.jar run --ai --ai-mode advisory -- java -jar myapp.jar

AI-режим

Для работы AI-режима необходимо:

1. Установить и запустить LM Studio
2. Загрузить модель (рекомендуется Qwen3-9B Q4_K_M)
3. Запустить локальный сервер в LM Studio (порт 1234)
4. Передать флаг --ai при запуске ReHoster

Если --ai указан, ReHoster:

1. Проверяет доступность LM Studio (GET localhost:1234/v1/models)
2. Если сервер недоступен — возвращает baseline без ошибки
3. Если доступен — предлагает пользователю ввести требования в консоли
4. Собирает контекст проекта и маскирует секреты
5. Отправляет промпт с требованием в LM Studio (POST /v1/chat/completions)
6. Валидирует ответ модели
7. Применяет изменения если ответ прошёл валидацию и confidence >= 0.65

Если AI вернул невалидный ответ или недоступен — ReHoster автоматически откатывается к baseline.

Все данные обрабатываются локально, ничего не покидает машину.

Выходные файлы

После выполнения в директории rehoster-output/<run-id>/ будут созданы:

Файл	Описание
runtime-snapshot.json	Сырые данные о запуске приложения
analysis-result.json	Результаты анализа зависимостей
Dockerfile	Итоговый Dockerfile
docker-compose.yml	Итоговый docker-compose
.dockerignore	Исключения для Docker build
Dockerfile.ai	Dockerfile от AI (если AI применился)
docker-compose.ai.yml	Compose от AI (если AI применился)
ai-refinement.json	Отчёт о работе AI-этапа
recommendations.md	Рекомендации по контейнеризации
report.json	Общий отчёт о выполнении

Пример вывода

=== ReHoster ===
Run ID: run-20240215-143025-a1b2c3d4
Command: php artisan serve

[1/9] Launching legacy process...
      PID: 12345
      Exit code: 0
[2/9] Collecting runtime data...
      ProcessCollector - done
      EnvironmentCollector - done
      EnvFileCollector - done
      ArgsCollector - done
[3/9] Saving runtime snapshot...
[4/9] Analyzing dependencies...
      Detected type: php
      Environment vars: 15
      Exposed ports: [8080]
[5/9] Detecting service dependencies (databases, caches)...
      Found 2 service dependency(ies):
        - mysql (mysql:8.0)
        - redis (redis:7-alpine)
[6/9] Running multi-round analysis...
[7/9] Generating container artifacts...
      .dockerignore - done
[8/9] Running AI refinement (LM Studio)...
      Connecting to LM Studio at http://localhost:1234...
      Connected. Model: qwen/qwen3.5-9b

      Enter your requirements for Dockerfile/docker-compose refinement.
      Examples: "use alpine image", "remove database services"
      > убери сервисы MySQL и Redis

      Sending to AI...
      AI refinement applied (confidence: 0.88)
      Dockerfile.ai - done
      docker-compose.ai.yml - done
      Dockerfile - done
      docker-compose.yml - done
      recommendations.md - done
[9/9] Saving report...

=== Complete ===
Output directory: rehoster-output\run-20240215-143025-a1b2c3d4

Архитектура

CLI → Orchestrator → Launcher → Collectors → Analyzers → Generators → AI Refiner → Output
                                                               ↓
                                                   [DependencyAnalyzer]
                                                   [ServiceDependencyDetector]
                                                   [MultiRoundAnalyzer]
                                                               ↓
                                                   baseline Dockerfile + Compose
                                                               ↓
                                                   [LmStudioAiClient] ping
                                                   [UserRequirementCollector]
                                                   [AiArtifactRefiner]
                                                   POST localhost:1234
                                                               ↓
                                                   final Dockerfile + Compose

1. CLI — парсит аргументы, формирует RunConfig
2. Orchestrator — управляет 9 этапами выполнения
3. Launcher — запускает legacy-процесс через ProcessBuilder
4. Collectors — собирают данные (процессы, env, args, .env файлы)
5. Analyzers — строят модель зависимостей, определяют сервисы, многораундовый анализ
6. Generators — генерируют baseline Dockerfile, Compose, рекомендации
7. AI Refiner — при включённом --ai подключается к LM Studio, принимает требование пользователя, дорабатывает baseline и при ошибках автоматически откатывается

Troubleshooting

Сгенерирован FROM ubuntu:22.04 вместо нужного образа

Приложение классифицировано как generic. Возможные причины:

• команда запуска обёрнута в оболочку (cmd.exe /c ...)
• --dir указывает не на корень проекта, где лежит pom.xml / package.json

Решение: передать корень проекта через -d/--dir.

LM Studio недоступен

ReHoster возвращает baseline без ошибки. Убедитесь что:

• LM Studio запущен и модель загружена
• Локальный сервер включён (кнопка Start Server в LM Studio)
• Порт 1234 не занят другим процессом