AI rīki revolucionizē programmatūras izstrādi, automatizējot atkārtotus uzdevumus, veicot uzpūsto kodu un reāllaikā identificējot kļūdas. Izstrādātāji tagad var ģenerēt labi strukturētu kodu no vienkāršas valodas uzvednes, ietaupot manuālu piepūli. Šie rīki mācās no plašām kodu bāzēm, piedāvājot konteksta apzinātu ieteikumus, kas uzlabo produktivitāti un samazina kļūdas. Tā vietā, lai sāktu no nulles, inženieri var ātri prototipu, ātrāk atkārtoties un koncentrēties uz arvien sarežģītāku problēmu risināšanu.
Tā kā kodu ģenerēšanas rīki pieaug, tie rada jautājumus par inženiertehnisko komandu nākotnes lielumu un struktūru. Šā gada sākumā Garijs Tan, starta paātrinātāja Y Combinator izpilddirektors, atzīmēja, ka apmēram viena ceturtdaļa no pašreizējiem klientiem izmanto AI, lai uzrakstītu 95% vai vairāk viņu programmatūru. Intervijā ar CNBCTan teica: “Tas, ko tas nozīmē dibinātājiem, ir tas, ka jums nav nepieciešama 50 vai 100 inženieru komanda, jums nav tik daudz jāpaceļ. Kapitāls iet daudz ilgāk.”
Kodēšana ar AI Var piedāvāt ātru risinājumu uzņēmumiem, kas pakļauti budžeta spiedienam, wager tā ilgtermiņa ietekmi uz lauku un darba fondu nevar ignorēt.
Paaugstinoties ar AI darbināmu kodēšanu, cilvēku zināšanas var mazināties
AI laikmetā tradicionālais ceļojums uz kodēšanas kompetenci, kas jau sen ir atbalstījis vecākos izstrādātājus, var būt apdraudēts. Ērta piekļuve lielo valodu modeļiem (LLMS) ļauj junioru kodētājiem ātri noteikt koda problēmas. Lai arī tas paātrina programmatūras izstrādi, tas var attālināt izstrādātājus no sava darba, aizkavējot pamatproblēmu risināšanas prasmju izaugsmi. Tā rezultātā viņi var izvairīties no fokusētajām, dažreiz neērtajām stundām, kas vajadzīgas, lai veidotu kompetenci un virzītos uz priekšu, lai kļūtu par veiksmīgiem vecākajiem izstrādātājiem.
Apsveriet Anthropic Claude Code-uz termināli balstītu palīgu, kas balstīts uz Claude 3.7 Sonnet modeli, kas automatizē kļūdu noteikšanu un izšķirtspēju, testa izveidi un koda reakciju. Izmantojot dabiskās valodas komandas, tas samazina atkārtotu manuālu darbu un palielina produktivitāti.
Microsoft ir izlaidis arī divus atvērtā koda ietvarus-autogeno un semantisko kodolu-, lai atbalstītu aģentu AI sistēmu attīstību. Autogēns ļauj asinhronajai ziņojumapmaiņai, modulāriem komponentiem un izplatītai aģenta sadarbībai, lai izveidotu sarežģītas darbplūsmas ar minimālu cilvēka ievadi. Semantiskais kodols ir SDK, kas integrē LLM ar tādām valodām kā C#, Python un Java, ļaujot izstrādātājiem izveidot AI aģentus, lai automatizētu uzdevumus un pārvaldītu uzņēmuma lietojumprogrammas.
Arvien pieaugošā šo rīku pieejamība no antropiskajiem, Microsoft un citiem var samazināt kodētāju iespējas pilnveidot un padziļināt savas prasmes. Tā vietā, lai “sasist galvu pret sienu”, lai atkļūdotu dažas rindiņas vai izvēlētos bibliotēku, lai atbloķētu jaunas funkcijas, jaunākie izstrādātāji var vienkārši vērsties pie AI, lai saņemtu palīgu. Tas nozīmē, ka vecāka gadagājuma kodētāji ar problēmu risināšanas prasmēm gadu desmitiem var kļūt par apdraudētu sugu.
Pārvarēšana AI, lai rakstītu kodu riskus, novājina izstrādātāju praktisko pieredzi un izpratni par galvenajām programmēšanas koncepcijām. Bez regulāras prakses viņi var cīnīties par patstāvīgu atkļūdošanu, optimizēšanu vai projektēšanas sistēmām. Galu galā šī prasmju erozija var mazināt kritisko domāšanu, radošumu un pielāgošanās spēju-īpašības, kas ir būtiskas ne tikai kodēšanai, wager arī AI ģenerētu risinājumu kvalitātes un loģikas novērtēšanai.
AI kā mentors: koda automatizācijas pārvēršana praktiskā mācībā
Kaut arī bažas par AI mazināšanos cilvēku izstrādātāja prasmju samazināšanai ir pamatotas, uzņēmumiem nevajadzētu noraidīt AI atbalstītu kodēšanu. Viņiem vienkārši rūpīgi jādomā par to, kad un kā attīstīt AI rīkus. Šie rīki var būt vairāk nekā produktivitātes pastiprinātāji; Viņi var darboties kā interaktīvi mentori, vadošie kodētāji reālā laikā ar skaidrojumiem, alternatīvām un labāko praksi.
Kad uSED kā apmācības rīks, AI var pastiprināt mācīšanos, parādot kodētājiem, kāpēc kods ir salauzts un kā to labot, nevis vienkārši risinājuma piemērošana. Piemēram, jaunākais izstrādātājs, kas izmanto Claude kodu, var saņemt tūlītēju atgriezenisko saiti par neefektīvām sintakse vai loģikas kļūdām, kā arī ieteikumus, kas saistīti ar detalizētiem skaidrojumiem. Tas nodrošina aktīvu mācīšanos, nevis pasīvu labojumu. Tas ir abpusēji izdevīgs: paātrināt projekta termiņus, neveicot visu darbu junioru kodētājiem.
Turklāt kodēšanas ietvari var atbalstīt eksperimentu, ļaujot izstrādātājiem prototipa aģenta darbplūsmas vai integrēt LLM, neprasot ekspertu līmeņa zināšanas iepriekš. Novērojot, kā AI veido un uzlabo kodu, jaunākie izstrādātāji, kuri aktīvi iesaistās ar šiem rīkiem, var internalizēt modeļus, arhitektūras lēmumus un atkļūdošanas stratēģijas – atspoguļot tradicionālo izmēģinājumu un kļūdu mācību procesu, kodu pārskatus un mentoringu.
Tomēr AI kodēšanas palīgiem nevajadzētu aizstāt reālu mentoru vai pāru programmēšanu. Pavelciet pieprasījumus un oficiālas kodu pārskatus joprojām ir būtiskas, lai vadītu jaunākus, mazāk pieredzējušus komandas locekļus. Mēs nekur neesam tuvu brīdim, kad AI var vienpersoniski pacelt junioru izstrādātāju.
Uzņēmumi un pedagogi var veidot strukturētas attīstības programmas ap šiem rīkiem, kas uzsver koda izpratni, lai nodrošinātu, ka AI tiek izmantots kā treniņa partneris, nevis kruķis. Tas mudina kodētājus apšaubīt AI izejas un prasa manuālu reakcijas vingrinājumus. Tādā veidā AI kļūst mazāks par cilvēka atjautības aizstāšanu un vairāk par paātrinātas, pieredzes mācīšanās katalizatoru.
Pārvarot plaisu starp automatizāciju un izglītību
Ja to izmanto ar nodomu, AI ne tikai raksta kodu; Tas māca kodēšanu, sajaukšanas automatizāciju ar izglītību, lai sagatavotu izstrādātājus nākotnei, kur dziļa izpratne un pielāgošanās spējas joprojām ir neaizstājamas.
Aptverot AI kā mentoru, kā programmēšanas partneri un kā izstrādātāju komandu mēs varam novirzīt uz konkrēto problēmu, mēs varam mazināt plaisu starp efektīvu automatizāciju un izglītību. Mēs varam dot iespēju izstrādātājiem augt kopā ar viņu izmantotajiem rīkiem. Mēs varam nodrošināt, ka, attīstoties AI, tāpat kā cilvēku prasmju kopums, veicinot kodētāju paaudzi, kuri ir gan efektīvi, gan dziļi zinoši.
Ričards Sonnenbliks ir galvenais datu zinātnieks PlanViewApvidū
