Будущее агентского кодирования является многопользовательским

Авиатор спонсировал этот пост.

Любите ли вы это или ненавидите, к настоящему времени большинство разработчиков программного обеспечения опробовали некоторую версию инструментов кодирования AI. Однако, как только мы смотрим за пределы тщеславных показателей ежедневного или еженедельного использования AI-инструментов, усыновление на предприятии повсюду.

Есть разработчики, которые клянутся этим и сообщают о производительности 10x (за исключением случаев, когда у них кончается использование токенов), и есть те скептически относительно того, добавляет ли это даже какую -либо стоимость или просто увеличивает технический долг.

Правда в том, что оба этих поведения могут быть испытаны в одной и той же компании.

Проблемы с принятием ИИ предприятия

Есть несколько проблем с текущим подходом к принятию ИИ на предприятиях:

Отсутствие контекста: Работа в больших грязных кодовых базах предприятий далеко от «кодирования вибрации». Независимо от того, насколько хороши модели или насколько хорошо мы разрабатываем следующего агента кодирования, мы не можем добиться прогресса, не предоставляя правильный и полный контекст для агентов крупной языковой модели (LLM).

Кривая обучения: Использование кодирующих агентов эффективно требует, по крайней мере, определенного обучения, которое большинство организаций не предоставляют сегодня. Это приводит к изменению использования и успеха с этими инструментами. У некоторых разработчиков, которые пробовали и проверили различные подходы, теперь имеют свои удобные кулинарные книги о том, как получить максимальную отдачу от этих инструментов, в то время как другие все еще опускают свои пальцы с ограниченным успехом.

Племенные знания: Предприятия не построены в одночасье. Люди приходят и уходят, регулярно отправляя много племенных знаний за дверь. Когда мы думаем о контексте, мы всегда думаем о документах и ​​спецификациях того, что и как. Много знаний племен вращается вокруг «почему». Эволюция организации включает в себя тысячи микрораздежных решений, производимых каждый день, формируя деревья решений, которые отражаются в Кодексе. Понимание того, почему продукт построен таким же образом, так же важно, как и как он построен. Эта информация иногда может даже не быть зафиксирована в характеристиках продукта.

Удаленные агентские среды

Недавно я говорил о росте среды, кодирующих AI, которые автономно кодируют. Эти кодирующие агенты могут взять инструкции от разработчиков и выполнять их с небольшим удержанием рук. Это означает, что, в отличие от кодирующих агентов, связанных с вашей IDE, они могут масштабироваться в геометрической прогрессии, выполняя сотни параллельных операций, ограниченных лишь объемом работы, которая может быть назначена им, и, конечно, бюджетами LLM вашей организации.

Тем не менее, это только инфраструктурная сторона уравнения. Проблемы отсутствия контекста, утраченных племенных знаний и различных уровней знакомства инженеров с ИИ остаются.

В конечном счете, инженеры, которые знают, как хорошо работать с агентами, основанными на IDE, получат из этого ценность, но сами отдаленные агенты не решат реальную проблему предприятия: отсутствие сотрудничества разработчика и аи.

Специальная разработка

Специальная разработка представляет собой, пожалуй, наиболее значительный сдвиг парадигмы от традиционного «кодирования атмосфера» к структурированной, ориентированной на спецификационную разработку ИИ. Этот подход рассматривает спецификации как «супер подсказки»: контролируемые версией, читаемыми человеком документами, которые служат комплексным контекстом для агентов искусственного интеллекта. Думайте об этих документах как о подробных характеристиках продуктов, которые действуют как договор между людьми и агентами искусственного интеллекта, которые охватывают деловой контекст, поприветствуют случаи с четким руководством о том, как ориентироваться в кодексе.

Имея это в виду, спецификации становятся более критическими и обязательными, чем код. Если это так, то пришло время относиться к этим характеристикам как к первоклассным гражданам.

Прекратить заново заново подсказка

Я также написал о значении обзоров кода. Больше, чем поиск ошибок, обзоры кода помогают обмену знаниями. Вот как племенные знания выталкиваются от одного человека к другому. Я также большой поклонник случайного парного программирования как альтернативы, которая помогает быстро согласовать идеи. Однако, если мы посмотрим на наши модели кодирования AI, мы делаем все противоположное:

Мы работаем над подсказками в наших IDES, предоставляем отзывы кодирующим агентам взад и вперед, генерируем код, отправляем код для просмотра, а затем отбрасываем подсказки.

Эти подсказки являются контекстом, эти подсказки являются племенным знанием. Пришло время начать сохранять эти подсказки.

Многопользовательские удаленные агентские среды

Именно здесь появляется концепция runbooks. Runbooks для агентского искусственного интеллекта-это способ сохранить контекст, сотрудничать в подсказках, делиться рабочими процессами выполнения и поддерживать аудиторские следы и предварительно сконфигурированные удаленные агентские среды.

Настоящая сила RunBooks показывает, когда участвует более одного инженера. Построение программного обеспечения с агентами искусственного интеллекта не является сольным спортом, особенно когда проекты касаются нескольких репо, услуг и быстрого инженерного знания.

Runbooks позвольте командам переключаться с одного игрока на многопользовательский режим на:

• Сотрудничать по подсказкам
• Поделиться рабочими процессами выполнения
• Поддерживать аудиторские тропы

Эти книги преодолевают разрыв между характеристиками продукта и кодом:

• Вы можете взять чей -то забег и построить его.
• Применить контекст из одного пути кода или хранилища к другому.
• Создайте свои собственные характеристики и получите отзывы от команды.
• Сотрудничать со всеми заинтересованными сторонами за одну сессию с агентами кодирования.

Версия контролируется

Порноразовые runbooks захватывают AI команды, вызывающие знания и модели выполнения, которые развиваются. Если они живут, дышащие документы, важно поддерживать управление версиями.

Есть несколько преимуществ:

• Поймите, как развивались спецификации.
• Отслеживайте любое изменение кода в точную версию Runbook.
• Позвольте другим разыграть runbooks, чтобы создать свои пользовательские версии и внести свой вклад.
• Отправьте изменения, когда ИИ пойдет не так (и это пойдет не так).

Спецификации являются новым кодом. Как только мы научимся сотрудничать в спецификациях, как мы научились сотрудничать в коде в последние несколько десятилетий, мы сможем полностью использовать мощность агентских инструментов ИИ. Попробуйте Runbooks и превратите кодирование ИИ из отдельных экспериментов в инженерные проекты по всей команде.

Aviator-это разработчик с низким содержанием конфигурации, работающий с AI, который автоматизирует владение, обзоры кода, слияния и развертывание. Он создает организационный график знаний для упрощения назначения билетов, резюме проекта и поддержки внутренней разработчиков. Узнайте больше последних из Aviator Trending Stories YouTube.com/thenewstack Tech Moving быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Ankit Jain является соучредителем и генеральным директором Aviator, разработчика с низким конфигурацией, который автоматизирует владение, который автоматизирует владение, обзоры кода, объединяет и развертывает. Он также возглавляет ангар, сообщество старших DevOps и старших инженеров -программистов, сосредоточенных на опыте разработчиков, … Подробнее от Ankit Jain