Представьте себе кодирование, в то время как полностью поддается вибрации и забывает, что код существует. Вместо того, чтобы печатать, скажите курсору и сонету, чтобы построить все для вас. Когда вы столкнетесь с ошибкой, вы не пытаетесь устранить устранение неполадок-вместо этого вы подаете ошибку обратно в LLM и копируете исправление. Код выходит за рамки вашего понимания, но он всегда в конечном итоге работает. Вот как Андрей Карпати — член основателя Openai — описывает кодирование Vibe.
И хотя Карпати представляет это как забавный подход для выбросов выходных проектов, реальность такова, что версия кодирования Vibe — или написание кода в значительной степени с использованием LLMS — уже происходит в масштабе. Google сообщает, что ИИ генерирует 25% своего нового кода, и во многих частях отрасли это число, вероятно, еще выше. Несколько человек сообщают, что инженеры -программисты в компаниях, включая HubSpot, больше не разрешают писать программное обеспечение и могут только призвать LLMS. Кодирование Vibe, на мой взгляд, будущее строительного программного обеспечения.
Но что происходит, когда Code, сгенерированный AI, не работает в производстве и вызывает отключение? В этой статье я изучаю этот вопрос и делюсь несколькими идеями для подготовки вашей инженерной организации.
Кодовые вибленты — это весело, а игры до тех пор, пока не попадет отключение
Важно иметь квалифицированных инженеров, которые понимают кодовые базы, в которых они работают. Сильные инженерные организации даже гарантируют, что ни один инженер не станет единой точкой отказа, распространяя знания среди членов команды.
Когда происходит инцидент, обычный ответ состоит в том, чтобы привлечь инженера, который знает затронутую часть для его быстрого разрешения. Тем не менее, по мере того, как LLMS генерируется больше кода, инженеры, которые глубоко понимают кодовую базу, станут все более редкими, что усложняет отключение диагностики и разрешения.
Доктор философии Студент UC Berkeley Shreya Shankar прекрасно отражает проблему в твиттере, который собрал более 300 миллионов просмотров: «Почему никто не говорит о том, сколько вызывает Shittier Eng благодаря слепым интеграциям кода, сгенерированного AI? И с отключениями, которые сейчас стоят 14 000 долларов в минуту, ясно, что команды не могут позволить себе тратить время на расшифровку кода, написанного LLM.
Vibe Coding встречает инциденты
Код, сгенерированный AI, не исчезает, и 61% инженерных команд, использующих генеративный ИИ-он только увеличится. Вот как подготовиться к будущему управления инцидентами.
Во-первых, используйте инструменты управления инцидентами с AI, такие как Rootly или Pagerduty Advanced. Эти инструменты обрабатывают логистику инцидентов-автоматически раскручивание каналов связи, составление обновлений для разных заинтересованных сторон и управление посмертными. Эти инструменты также начали использовать ИИ в соответствии с текущими инцидентами с прошлыми, помогая вам быстро найти подобные случаи и кто их исправил, сокращая среднее время до разрешения.
Затем обновите, как вы исправляете инциденты. Что если бы вы могли использовать инструмент для определения основной причины и предложить исправление? Это именно то, что новая волна инструментов разрешения инцидентов, управляемых LLM, помеченная как помощники AI SRE, такие как Sentry AI и Datadog Bits AI, делают.
Эти инструменты обрабатывают те же данные, что и SRE-журналы ошибок, метрики, трассировки приложений-но также проглатывают неструктурированные данные, сгенерированные человеком, такие как дискуссии, кулинарные книги и посмертные. Они могут быстро автоматизировать анализ основной причины, подчеркивая коммит, который вызвал проблему, визуализируя, как она влияла на метрики системы, и отслеживая цепочку сбоев, которые привели к отключению. Таким образом, когда человек страдает на странице и попадает на компьютер, анализ первопричин уже доступен для рассмотрения.
Более продвинутые инструменты не просто диагностируют проблемы — они также предлагают решения. Вы можете просмотреть, обсудить и одобрить исправление перед его развертыванием или позволить инструменту автоматически обрабатывать все. Понятно, что некоторые инженеры OPS скептически настроены. Что если LLM галлюцинает исправление, которое усугубляет ситуацию? Что, если нет никакого отката? Развертывание изменений постепенно может помочь снизить риск, но это один из многих факторов, которые следует учитывать. Разрешение инцидентов, основанное на ИИ, является многообещающим, но оно поставляется с собственным набором проблем.
Тем не менее, инструменты самовосстановления не новы: они были рядом, по крайней мере, за десять лет. Facebook представил FBAR в 2011 году для автоматизации обслуживания стойки. Dropbox представила Naru 2016 для обработки сбоев, оповещений и восстановления серверов. Тем не менее, это были детерминированные системы с предопределенными правилами, что значительно снижает шансы на винты.
В LinkedIn, как старший SRE, я совместно разработал механизм самовосстановления для распределенной инфраструктуры, которая использовала машинное обучение для анализа первопричин и исправления, хотя он никогда не был полностью реализован. С ростом LLMS этот подход происходит, и я так взволнован, увидев, что он ожил. Компании в этом пространстве добиваются реального прогресса. Конкуренция нагревается. По крайней мере, 20 игроков находятся на рынке, а финансирование VC входит. Да, я только что сделал это.
Если вы не можете драться с ними, присоединяйтесь к ним
Поскольку генеративная ИИ позволяет разработчикам работать в два раза быстрее, эта тенденция никуда не денется. Так почему бы не обнять вибковые вибридации? Когда отключение попадает в себя, откиньтесь, потягивайте кофе и позвольте вашему помощнику AI-SRE выяснить, как исправить работу ваших коллег по кодированию.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Sylvain Kalache — технический предприниматель. Бывший основатель учебного таланта в школе программного обеспечения, нанятых такими компаниями, как Google, NASA, Telsa и Apple. Он начал свою карьеру в качестве SRE, работая в технических стартапах и крупных компаниях, таких как LinkedIn …. Подробнее от Sylvain Kalache
