თანამედროვე პროგრამულ ინჟინერიაში გავრცელებულია მოსაზრება, რომ ხელოვნური ინტელექტის მთავარი ფუნქცია კოდის მაქსიმალური სისწრაფით წერაა. შედეგად, ვიღებთ დაბალი ხარისხის პროდუქტს, რომელსაც დეველოპერები ნაკლებად აკონტროლებენ. თუმცა, ნოლან ლოუსონი, გამოცდილი პროგრამისტი, საპირისპიროს ამტკიცებს.

მისი თქმით, LLM (დიდი ენობრივი მოდელები) მოქნილი ინსტრუმენტებია. მათი გამოყენება შესაძლებელია კოდის არა მხოლოდ სწრაფად, არამედ გაცილებით მაღალი ხარისხით შესაქმნელად. ეს მოითხოვს დეველოპერის მიდგომის შეცვლას და სიჩქარის პრიორიტეტულობიდან ხარისხზე გადასვლას.

AI, როგორც ბაგების აღმომჩენი

ლოუსონის დაკვირვებით, თანამედროვე მოდელები, როგორიცაა Anthropic-ისა და OpenAI-ის პროდუქტები, შესანიშნავად პოულობენ ხარვეზებს. პრობლემა არა თავად პოვნაა, არამედ აღმოჩენილი ბაგების ვალიდაცია და პრიორიტეტიზაცია.

ამისათვის ის იყენებს მრავალმოდელიან მიდგომას. მაგალითად, ერთდროულად რთავს რამდენიმე აგენტს, როგორიცაა Claude, Codex და Cursor Bugbot. ეს მეთოდი ამცირებს ჰალუცინაციებისა და ცრუ განგაშის ალბათობას.

სამუშაო პროცესი და მეთოდოლოგია

ლოუსონის რეკომენდებული სამუშაო პროცესი ასეთია:

  • სხვადასხვა AI აგენტის გაშვება კოდის განსახილველად (PR).
  • აღმოჩენილი პრობლემების კლასიფიკაცია კრიტიკულობის მიხედვით.
  • დეველოპერის მიერ შედეგების გადამოწმება და გაფილტვრა.
  • საბოლოო ანგარიშის მომზადება.

ეს მიდგომა შესაძლოა არ ზრდიდეს კოდის წერის სიჩქარეს, მაგრამ მნიშვნელოვნად აუმჯობესებს პროგრამული უზრუნველყოფის მდგრადობას. ხშირად, ეს პროცესი დეველოპერს უბიძგებს ძველი, მანამდე შეუმჩნეველი შეცდომების გამოსწორებისკენ.

ხარისხი და სიღრმისეული გააზრება

საბოლოოდ, ეს სტილი ჰგავს იმ მეთოდს, რომელსაც დეველოპერები AI-ის გარეშე იყენებდნენ: ფრთხილ, მეთოდურ მუშაობას. მიზანი არა ასობით ხაზის სწრაფად დაწერა, არამედ კოდის სტრუქტურის სრულყოფა და მომდევნო პროგრამისტისთვის მუშაობის გამარტივებაა.

ლოუსონი მოუწოდებს კოლეგებს, შეანელონ ტემპი. გამოიყენეთ AI კოდის ასახსნელად, დოკუმენტაციის შესაქმნელად და სისტემის სისუსტეების გამოსავლენად. ეს არის გზა უფრო ხარისხიანი და სანდო პროგრამული პროდუქტებისკენ.