Logika vašeg koda najbolji je učitelj umjetnoj inteligenciji
AI asistent za programiranje može u nekoliko sekundi napisati funkciju koja naizgled djeluje ispravno, a ipak previdjeti pravilo koje je ključno za njezinu svrhu. Može provjeriti očite ulazne podatke, odabrati uobičajene nazive i vratiti uredan rezultat. A onda neprimjetno dopustiti slanje otkazane narudžbe.
Problem je rijetko u nepoznavanju sintakse. Problem je u nedostatku pristupa odlukama, ograničenjima i kompromisima koji vašem kodu daju smisao. AI sustav uči što je važno u zadatku iz konteksta koji dobije, a logika koja već postoji u kodnoj bazi često mu je najbolji dostupan učitelj.
Kod sadrži odluke koje se u uputama često izostavljaju
Razmotrite zahtjev za dodavanje mogućnosti povrata novca. Kratka uputa mogla bi glasiti: „Izradi funkciju koja vraća novac za narudžbu.” Time važna pitanja ostaju bez odgovora. Može li se vratiti novac za neplaćenu narudžbu? Može li povrat premašiti plaćeni iznos? Što se događa kada istekne vrijeme čekanja na odgovor pružatelja platnih usluga? Je li drugi zahtjev ponovni pokušaj ili drugi povrat novca?
Postojeći kod može odgovoriti na neka od tih pitanja putem tipova, prijelaza između stanja, testova i obrade pogrešaka. Zapis o plaćanju mogao bi razlikovati autorizirana od naplaćenih sredstava. Ograničenje u bazi podataka moglo bi spriječiti duplicirane reference transakcija. Test bi mogao pokazati da djelomični povrat mijenja preostali iznos raspoloživ za povrat.
Ti su detalji korisniji od dugog opisa programskog jezika ili zahtjeva za „čistim kodom”. Oni asistentu daju dokaze o sustavu koji mijenja. Također pokazuju gdje ti dokazi prestaju: primjerice, postojeća obrada isteka vremena čekanja možda ne utvrđuje je li sigurno ponovno poslati zahtjev za plaćanje.
Pokažite modelu put kroz sustav
Više konteksta nije automatski bolje. Velika zbirka slabo povezanih datoteka može prikriti važna pravila i unijeti proturječne primjere. Počnite s putem kojim zahtjev prolazi: njegovom ulaznom točkom, relevantnom domenskom logikom, podacima koje čita ili mijenja te testovima koji opisuju očekivano ponašanje.
Za zadatak povrata novca, korisne informacije koje predajete asistentu mogle bi uključivati:
- Stanja narudžbe i plaćanja koja dopuštaju ili sprečavaju povrat novca.
- Funkciju ili uslugu koja komunicira s pružateljem platnih usluga, uključujući način na koji obrađuje pogreške.
- Postojeće testove za djelomične povrate, duplicirane zahtjeve i nevaljane prijelaze između stanja.
- Ograničenja promjene, kao što je očuvanje postojećeg javnog sučelja.
Zatim navedite željeno ponašanje na način koji sustav može provjeriti. „Odbij povrat veći od naplaćenog iznosa umanjenog za prethodne uspješne povrate” konkretnija je uputa od „sigurno obrađuj povrate”. Ako neko pravilo još nije određeno, to i recite. Asistent može pomoći u utvrđivanju mogućnosti, ali ne bi smio prešutno pretvoriti pretpostavku u financijsko pravilo.
Testovi objašnjavaju namjeru, ali ne čine cijeli ugovor
Testovi su osobito vrijedan kontekst jer zajedno prikazuju ulazne podatke i očekivane ishode. Test naziva cannot_refund_an_unpaid_order prenosi poslovno pravilo i služi kao tehnička provjera. Testovi rubnih slučajeva mogu pokazati gdje je tim već naučio biti oprezan.
Ipak, prolazak testova ne dokazuje da je promjena ispravna. Skup testova može izostaviti istodobne zahtjeve, pretpostaviti da nepouzdana usluga uvijek odgovara ili kodirati ponašanje koje proizvod više ne treba. Promatrajte testove kao dokaz namjere, a zatim ih usporedite sa stvarnim zahtjevima i implementacijom.
Zamolite asistenta da prepozna slučajeve koji nedostaju prije nego što napiše kod. U primjeru povrata novca to bi moglo otkriti dva zahtjeva koja stižu gotovo istodobno ili situaciju u kojoj pružatelj usluga obradi povrat iako je aplikaciji isteklo vrijeme čekanja na odgovor. Ti slučajevi mogu zahtijevati koordinaciju i zaštitne mjere specifične za pružatelja usluga koje lokalna provjera valjanosti ne može osigurati.
Neka postupanje pri pogreškama bude dio lekcije
Generirani kod često izgleda najbolje kada sve ide prema planu. Produkcijski sustavi mnogo vremena provode u drukčijim okolnostima: sustavi o kojima ovise otkazuju, odgovori kasne, procesi se ponovno pokreću, a korisnici ponavljaju radnje jer se čini da je stranica zapela.
Upoznajte AI asistenta s relevantnim pravilima obrade pogrešaka i zamolite ga da prati posljedice svakog važnog kvara. Ako istekne vrijeme čekanja na odgovor na zahtjev za plaćanje, ishod može biti nepoznat, a ne nužno neuspješan. Ponavljanje zahtjeva bez provjere moglo bi biti opasno ako pružatelj usluga i integracija ne podržavaju pouzdan način prepoznavanja iste operacije. Ispravan pristup ovisi o stvarnom ugovoru; ne može se zaključiti iz generičkog primjera koda.
Ista disciplina vrijedi za AI agente koji poduzimaju radnje. Agent koji čita podatke i izrađuje nacrt prijedloga ima drukčiji profil rizika od onoga koji šalje poruke, mijenja ovlasti ili postavlja softver u produkciju. Postavite mu jasne granice, ograničite mu pristup na ono što zadatak zahtijeva i zahtijevajte odgovarajući pregled prije radnji sa značajnim posljedicama. Zabilježite dovoljno konteksta da se može razumjeti što je pokušao učiniti i što se dogodilo.
Pretvorite ponavljane ispravke u trajan kontekst
Ako asistentu stalno govorite da se novčani iznosi moraju prikazivati na određeni način ili da vanjski pozivi moraju imati izričito određeno vrijeme čekanja, problem nije samo u uputi. Pravilo je možda teško pronaći. Stavite ga tamo gdje ga budući održavatelji i alati mogu pronaći: u jasno imenovan tip, ciljani test, kratku bilješku o dizajnu ili primjer blizu relevantnog koda.
To nije argument za dokumentiranje svakog detalja implementacije. Korisne smjernice objašnjavaju ograničenja koja je lako prekršiti, a teško izvesti iz dostupnih informacija. One također razlikuju trenutačno ponašanje od željenog budućeg dizajna. Kada se kod i dokumentacija ne slažu, razriješite nesklad umjesto da oboje date asistentu i nadate se da će ispravno odabrati.
Pregledajte nastalu promjenu kao i svaki drugi doprinos. Pratite podatke kroz izmijenjeni dio sustava, pregledajte rubne uvjete, pokrenite relevantne provjere i istražite pogreške umjesto da samo tražite od modela da ih ukloni. Za osjetljive promjene uključite nekoga tko razumije domenu i operativne posljedice.
Poučavajte jasnoćom
AI može pomoći razvojnim programerima da istraže kodnu bazu, predlože promjene i uoče pitanja koja vrijedi postaviti. Njegova korisnost uvelike ovisi o tome je li logika sustava vidljiva i provjeravaju li ljudi zaključke koje donosi.
Jasan kod ne pomaže samo modelu da izradi bolji prvi nacrt. On cijelom timu daje zajednički način da preispita taj nacrt. Najbolja lekcija koju vaš kod može pružiti nije samo kako omogućiti rad neke funkcionalnosti, nego i koji uvjeti moraju ostati ispunjeni dok se sve oko nje mijenja.