Slop – ez az a kifejezés, amit egyre gyakrabban hallunk, amikor az AI-termékekről beszélünk. Valami alacsony minőségű, nehezen szabályozható, állandóan riasztó mennyiségben hozott létre egyetlen céllal: felhívja a figyelmet, megöli az időt, generálja a hype-t. Mindez annak mértékét, valamint a potenciális kitörésének következményeit, még látni kell. Buborék az iparban Mindez ismét felkelti a vitát az AI valódi hatékonyságáról és veszélyeiről.Szoftverfejlesztés nem kivétel.A kutatások meggyőzően azt mutatják, hogy az AI-eszközök elsajátítása nem könnyű, és megfelelő készségek nélkül a használatuk hatása is lehetséges. . negatív Mindazonáltal az AI rendkívül hasznos lehet a szoftverfejlesztésben. mindössze szigor, következetesség, fegyelem szükséges. 1. Légy motivált A szoftverfejlesztés évtizedek óta nem változott alapvetően. finomítottunk módszertanokat, újra feltaláltunk programozási nyelveket, szállítási módszereket, megfigyelhetőséget, QA-t stb. De mindig sorról sorra írtunk kódot, mint szöveget, és folyamatosan ellenőrizzük, hogy mit írunk. Ez a korszak az Akár tetszik, akár nem, a kódot hamarosan elsősorban a nyelvi modellek generálják. Ez egy hatalmas változás. Sok szokásunkat meg kell változtatnunk – szó szerint meg kell változtatnunk a szakmát. Ez komoly motivációt igényel. Számomra a legmeggyőzőbb okok, hogy az AI-eszközöket minden nap használjuk a fejlesztésben: felett 
 
 
 Minden alkalommal, amikor sikerül, hogy az AI hatékonyan működjön számomra, valóban boldognak érzem magam. Ez az öröm, hogy új eszközt, tanulást és jól elvégzett munkát elsajátítottam. Elkerülhetetlen. Meglehetősen kemény pont, de az egyik legfontosabb. Meg kell látnia a valóságot, és képesnek kell lennie arra, hogy nyugodtan elfogadja. Jó példa erre a foglalkoztatási szabvány a : Zsófi Ellenőrizze, hogy van-e a megfelelő motiváció egyszerű - csak vegye figyelembe az érzelmeit, amikor új LLM verziók és AI termékek a szoftverfejlesztéshez jönnek ki. Ha az öröm és a kíváncsiság helyett szorongást érez, akkor ez azt jelentheti, hogy nem alkalmazkodott eléggé az új eszközökhöz. A megkönnyebbülés, amit érez, amikor ez a szorongás feloldódik, egy másik erős ok arra, hogy folytassa. termelékeny 2. Elszigetelve Ettől a pillanattól kezdve minden ellenőrző listaelem valahogy összekapcsolódik a A megközelítés itt egyszerű - annál tömörebb, pontosabb és részletesebb az utasításokat az LLM kap, annál jobb a kimeneti minőség. Kontextusmérnöki A kontextus sajátossága a megfelelő kódbázis-szervezés révén érhető el - a dolgokat független, elszigetelt modulokra bontva, korlátozott felelősséggel. Az ilyen modulok megszervezésének legegyszerűbb módja a monorepos. ma nem sok időbe telik egy átfogó többnyelvű tárhely létrehozása az egész projekt számára. Kezdjük azzal, hogy azonosítjuk az alapvető entitásokat - telepíthető alkalmazásokat és megosztott "csomagokat" segédprogramkóddal. A szabályok egyszerűek - az alkalmazásoknak a csomagoktól kell függniük, és a csomagok egymástól függhetnek, de a csomagok nem függhetnek az alkalmazásoktól. Íme egy példa szerkezet használhatja. Ez illik a legtöbb esetben: root/
├── applications/
│   ├── website/
│   ├── public-api/
│   ├── admin-dashboard/
│   └── ...
│
├── packages/
│   ├── js/
│   │   ├── ui/
│   │   ├── client/
│   │   ├── validation/
│   │   └── ...
│   │
│   ├── py/
│   │   ├── common-lib/
│   │   ├── models/
│   │   ├── auth/
│   │   └── ...
│   │
│   └── go/
│       ├── common/
│       ├── clients/
│       └── ...
└── Makefile
 A Makefile belépési pontként fog működni mindenhez, hogy lehetővé tegye a technológia-agnosztikus forgatókönyv-orkestrálást. A JS számára a pnpm bizonyult a legjobb választásnak - ma az npm és a szál felett választanám. Ez a fajta monorepo egy nagyon kényelmes, rugalmas és bővíthető struktúra. És nagyon jól működik az AI ügynökökkel. Egy csomag kidolgozása egyszerű, mivel a kód szigorúan elkülönítve van, és egy adott funkciót szolgál. Ha alkalmazásokban dolgozik kódmal, akkor: 
 
 
 
 Az összes érintett külső csomag előzetes azonosítása Lépésről lépésre végezzen módosításokat, először módosítsa a csomagokat, majd a tényleges alkalmazási réteget Javítsa ki a hibákat az elszigeteltségben, lépésről lépésre, egy visszacsatolási láncban. 3. A Feedback Loop beállítása Az AI által generált kód minősége drasztikusan javul, amikor az AI ügynök futtathat teszteket, lintereket, és használhatja ezeknek az eszközöknek a kimenetét az eredmény beállításához a munkafolyamat során. Egy ideális világban a legjobb megoldás az lenne, ha a mesterséges intelligencia hozzáférést biztosítana egy kód végrehajtási környezethez – webprojektekhez, vagyis böngészőkhez. . Nincs kész megoldás Ez azt jelenti, hogy még az alapvető linterek és egységvizsgálatok is kiváló eszközök a minőségellenőrzéshez és a hallucinációk csökkentéséhez. Különösen azért, mert a statikus kódellenőrzések beállítása egy monorepóban meglehetősen olcsó. Míg egyes AI-eszközök (például a Cursor) automatikusan futtatják a lámpákat, még mindig van értelme, hogy kifejezetten utasítsák az LLM-t az ellenőrzések végrehajtására. Például egy prompt így nézhet ki: Update packages/js/api-client:

Add getUserProfile(userId) method:
- GET /users/{userId}/profile
- Include tests for success and 404 error

Run `make test-api-client` and fix any failures.
 4. Memory bank létrehozása A Memory-bank olyan keretrendszer, amely leírja, hogyan tárolható és kezelhető kétféle entitás: és . Rules Documentation nagyon egyszerű - a terméket különböző perspektívákból írja le: a termék, az építészet és az alkatrészek szintjei. Rengeteg cikk van online a jó műszaki dokumentáció írásáról. Ami számunkra fontos, hogy minél részletesebb a dokumentáció, és minél közelebb van a kódhoz, annál könnyebb az ügynök számára hozzáférni. Documentation A mesterséges intelligencia ügynökeinek standard belépési pontja az AGENTS.md fájl. Ez a fájl a projekt általános szerkezetét és célját vázolja fel, és linkeket biztosít más dokumentációs fájlokhoz. Íme, hogy nézhet ki egy memóriabank fájlstruktúra: monorepo/
├── memory-bank/                          # Shared across entire repo
│   ├── AGENTS.md                         # Root entry point
│   ├── monorepo-conventions.md           # Overall structure & rules
│   ├── shared-tech-stack.md              # Common technologies used
│   ├── development-workflow.md           # Git, CI/CD, deployment
│   └── architecture-overview.md          # High-level system design
│
├── applications/
│   ├── website/
│   │   ├── memory-bank/
│   │   │   ├── AGENTS.md                 # References root + specific context
│   │   │   ├── product-overview.md       # What this app does
│   │   │   ├── user-journeys.md          # Key user flows
│   │   │   ├── tech-stack.md             # Specific technologies
│   │   │   ├── api-integration.md        # How it connects to APIs
│   │   │   └── tasks.md                  # Current work items
│   │   └── src/
 A szabályok viszonylag új koncepció, és véleményem szerint az egyik legtermékenyebb ötlet a felhívások újrafelhasználására. és A Cursor szerkesztője különösen erősnek tűnik a szabályokhoz, mivel lehetővé teszi, hogy globális mintákat használva szabályokat csatoljon bizonyos fájlokhoz. Ez automatikusan „importálja” a vonatkozó szabályokat a kontextusba, amikor a raktár különböző részeivel dolgozik. A TypeScript, a Supabase vagy a GitHub Akciók szabályait egyszer definiálhatja, majd újra felhasználhatja őket a projektek között. Ez különösen hasznos, ha követi a nevezési konvenciókat és a raktárszerkezeti szabványokat. Rules contribution.md .eslintrc A szabályok mindig globálisak és univerzálisak.A legjobb gyakorlat az, hogy a gyökérben tárolják őket – ez az, amit a kódszerkesztők elvárnak. A dokumentációval és a szabályokkal kapcsolatos „üres oldal” problémát könnyű elkerülni.A dokumentációt mesterséges intelligenciával lehet generálni egy egyszerű utasítással, majd szerkeszteni. az , az , . Egyik Két Három Tehát minden AI ügynökkel folytatott munkamenet a Memory-bank olvasásával kezdődik, és a következő munkamenet megkezdésekor időt takarít meg. 5. Ismerje meg a „Plan → Act” csővezetéket A Plan → Act megközelítés valószínűleg a legnagyobb változás abban, ahogyan az AI asszisztensekkel dolgozunk, és ez valóban az egyetlen megbízható módja a komplex, nagyszabású feladatok kezelésének. Sok AI kódolási asszisztens ezt a dobozból építette be. A kurzor például automatikusan ütemezi a feladat végrehajtását anélkül, hogy további utasításokat igényelne. De a legjobb eredmények érdekében, különösen a nagyobb feladatoknál, jobb, ha leállítja a terv → cselekvés manuálisan. A megközelítés a 90/10 elvén alapul: legyen készen arra, hogy az idejének 90%-át a tervezésre és csak 10%-át a megvalósításra fordítsa. A tervezés konkrét tárgyakat – feladatokat hoz létre. Minél részletesebbek, alaposabbak és következetesebbek a feladatok, annál jobbak lesznek az eredmények. A tipikus terv → cselekvés munkafolyamat így néz ki: Terv 
 
 
 
 
 
 
 Kontextus előkészítés. A szükséges dokumentumok összegyűjtése a memóriabankból Üzleti kontextus leírása. Alapvetően egy felhasználói utazás a funkcióhoz Műszaki leírás - mit kell végrehajtani QA folyamat leírása - melyik script fut a teszteléshez, melyik tesztet kell hozzáadni A tasks.md fájl létrehozása A tasks.md fájl, a tisztázások, a javítások, a finomítások átdolgozása cselekvés 
 
 
 
 
 
 
 Új munkamenet megnyitása (chat, tab) Lépésről lépésre, szekvenciálisan Ellenőrizze az eredményeket vizuálisan és teszteléssel minden lépésnél. A visszajelzési lánc finomítása, tesztelési lefedettség hozzáadása Dokumentáció frissítése A tasks.md fájl törlése Két A csővezeték használatához: important tips 
 
 
 Mindig elkülönítse a tervet és a cselekvést különböző ülésekre.Kényelmes, plusz javítja a stabilitást és megtakarítja a tokeneket Ha az ügynök helytelen eredményeket hoz létre, ne bonyolítsa meg a dolgokat további utasításokkal – térjen vissza a terv szakaszába, finomítsa a task.md-t, a memóriabankot és a szabályokat. A Plan → Act csővezeték elsajátítása nem csak a mesterséges intelligencia ismeretéről szól. Ez egy fontos, még kritikus mérnöki készség. Alapvetően egy jó terv egy kész tervezési dokumentum – megvitathatja a csapatvezetővel vagy csapatával, összehangolhatja azt a PR-ben való megvalósítás előtt, és használhatja a dokumentáció és a tesztréteg alapjaként. Plug-in felhő ügynök Olyan sok különböző eszköz van a piacon, és nem akartam egy konkrétra összpontosítani.De legalább szétválasszuk a két fő típust: a helyi ügynököket (például Claude Code, Cursor és Codex CLI) és a felhőalapúakat (például Codex Cloud, Jules, vagy az újonnan kiadott ) az Claude Code az interneten Legyen szó mesterséges intelligenciával működő kódszerkesztőről vagy CLI-eszközről, a legtöbb napi feladat egyszerűen könnyebb és hatékonyabb. A legfontosabb dolog az, hogy minden interakció egy böngészőn keresztül történik - nincs szükség egy fejlesztő környezetre vagy egy helyileg telepített projektre. Ezért tökéletesek ezekhez a használati esetekhez: 
 
 
 
 Bármilyen kódbázis-elemzés, végrehajtási idő becslés, lehetséges nehézségek értékelése, vagy munkaterv létrehozása (task.md). Ez a fajta elemzés nagyszerű segítség, mielőtt elkezdené dolgozni egy nagy feladatot. Nagy méretű, de ismétlődő refaktorozás, amely nem igényel szoros felügyeletet. A legfontosabb dolog az, hogy előkészítse a teszteket először (lásd a #3-as ellenőrzést). Célzott, nem kritikus változások, megkerülve a fejlesztő csapatot. Ahelyett, hogy feladatot hozna létre a feladatkövetőben, a Codex-hozzáféréssel rendelkező PO vagy Designer felhívást írhat a felhőügynökhöz. Ezután később felülvizsgálja az eredményeket. A tökéletes feladat az, amely önmagát oldja meg, és még jobb, egy hasonló feladatok megoldására szolgáló folyamat. 7. Megosztás Talán az AI-kódolás legnehezebb része a csapatmunka. Hogyan osztod meg a legjobb gyakorlatokat? Meg kell szabványosítanod a csapattagok közötti munkafolyamatokat, és mindenkinek ugyanazokat az eszközöket kell használnia? És ezek csak a legabsztraktabb kérdések.Az AI asszisztensek sok nagyon konkrét kérdést is felvetnek: hogyan kezeli a memóriabankot, és ki legyen felelős annak naprakésszé tételéért? Az AI-szolgáltatók megpróbálják megoldani ezt az igényt, de nincs kész megoldás.Mint oly gyakran a szoftverfejlesztésben, magunknak kell kitalálnunk a megoldást. Tapasztalatom szerint a tudás terjesztésének legjobb módja a nyílt horizontális fórumok.Ha már rendszeres fejlesztői találkozókat tartasz a gyakorlatok megosztására, a hírek megvitatására és a tapasztalatok átadására, akkor az AI elfogadása fontos téma ezeken az üléseken.Ha még nincs ilyen fórumod, talán van értelme létrehozni egyet, vagy támogatni az AI elfogadását bármilyen platformon.

This story contains new, firsthand information uncovered by the writer.

Read My Stories

Ez a hanganyag a történet eredeti nyelvén készült!

Kezdje el okosabban kódolni az AI-val

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

How Emoji Credibility Indicators Add Context to HackerNoon Stories

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

How Emoji Credibility Indicators Add Context to HackerNoon Stories

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps