Slop – to je termín, který slyšíme stále častěji, když mluvíme o produktech AI. Něco nízké kvality, obtížné ovládat, vytvořené non-stop v alarmujících množstvích s jediným cílem: zachytit pozornost, zabít čas, generovat hype. , jehož rozsah, spolu s důsledky jeho potenciálního výbuchu, zůstává vidět. Bublina v průmyslu To vše opět podněcuje debatu o skutečné účinnosti a nebezpečí AI. Vývoj softwaru není výjimkou. Výzkum přesvědčivě ukazuje, že zvládnutí nástrojů AI není snadné a bez odpovídajících dovedností může být účinek jejich použití dokonce . negativní Nicméně, AI může být velmi užitečné ve vývoji softwaru. Vše, co to vyžaduje, je přísnost, konzistence, disciplína. 1) Získejte nějakou motivaci Vývoj softwaru se za desetiletí zásadně nezměnil. zdokonalili jsme metodiky, znovu vynalezli programovací jazyky, metody dodání, pozorovatelnost, QA a tak dále. Ale vždy jsme psali kód řádek za řádkem, jako text, udržet kontrolu nad tím, co píšeme, jak jdeme. Tato éra je Ať se nám to líbí nebo ne, kód bude brzy generován především jazykovými modely.Je to obrovská změna.Musíme změnit mnoho našich návyků – doslova změnit naši profesi.To vyžaduje vážnou motivaci.Pro mě jsou nejpřesvědčivějšími důvody pro použití nástrojů AI ve vývoji každý den: Přes 
 
 
 Pokaždé, když se mi podaří získat AI, abych pro mě pracoval efektivně, cítím se skutečně šťastný. Je to nevyhnutelné. Poměrně tvrdý bod, ale jeden z nejdůležitějších. Musíte vidět realitu a být schopni ji klidně přijmout. AI-powered vývoj je skutečný právě teď a stane se dominantní formou v budoucnu. To se stává požadavkem na práci. Dobrým příkladem je tento náborový standard od : Zapíjejte Zkontrolovat, zda máte správnou motivaci, je jednoduché - jen si všimněte svých emocí, když vyjdou nové verze LLM a produkty AI pro vývoj softwaru. Pokud místo radosti a zvědavosti cítíte úzkost, může to znamenat, že jste se dostatečně nepřizpůsobily novým nástrojům. Uvolnění, které cítíte, když se tato úzkost rozpustí, se stává dalším silným důvodem, proč pokračovat. Produktivní 2 Izolace Od tohoto okamžiku budou všechny položky kontrolního seznamu nějakým způsobem propojeny s Přístup je zde jednoduchý - čím stručnější, konkrétnější a podrobnější jsou pokyny, které LLM obdrží, tím lepší je jeho kvalita výstupu. Kontextové inženýrství Kontextová specificita je dosažena prostřednictvím správné organizace kódové základny - rozdělení věcí na nezávislé, izolované moduly s omezeným rozsahem odpovědnosti. Nejjednodušší způsob, jak takové moduly uspořádat, je v rámci monorepos.Dnes není potřeba mnoho času na vytvoření komplexního vícejazyčného úložiště pro celý projekt.Začněte tím, že identifikujete základní entity - nasazitelné aplikace a sdílené „balíčky“ s utilitním kódem. Pravidla jsou jednoduchá - aplikace by měly záviset na balíčcích a balíčky mohou záviset navzájem, ale balíčky nemohou záviset na aplikacích. Zde je příklad struktury, kterou můžete použít. Vhodné pro většinu případů: root/
├── applications/
│   ├── website/
│   ├── public-api/
│   ├── admin-dashboard/
│   └── ...
│
├── packages/
│   ├── js/
│   │   ├── ui/
│   │   ├── client/
│   │   ├── validation/
│   │   └── ...
│   │
│   ├── py/
│   │   ├── common-lib/
│   │   ├── models/
│   │   ├── auth/
│   │   └── ...
│   │
│   └── go/
│       ├── common/
│       ├── clients/
│       └── ...
└── Makefile
 Makefile bude sloužit jako vstupní bod pro vše, co umožní orchestrování technologicky agnostických skriptů. Python a Go podporují monorepos prakticky mimo krabici. pro JS se ukázalo, že pnpm je nejlepší volbou - dnes bych to vybral přes npm a nit. Tento typ monorepo je velmi pohodlná, flexibilní a rozšířitelná struktura. A funguje opravdu dobře s agenty AI. Vývoj balíčku je jednoduchý, protože kód je přísně izolován a slouží specifické funkci. Při práci s kódem v aplikacích můžete: 
 
 
 
 Identifikace všech dotčených externích balíčků předem Udělejte změny krok za krokem, nejprve změňte balíky, pak skutečnou aplikační vrstvu Opravte chyby v izolaci, krok za krokem, v rámci zpětné vazby. Nastavení Feedback Loop Kvalita kódu generovaného umělou inteligencí se dramaticky zlepšuje, když agent umělé inteligence může spustit testy, lintery a použít výstup z těchto nástrojů k úpravě výsledku během pracovního procesu. V ideálním světě by nejlepším řešením bylo poskytnout AI přístup k prostředí pro spuštění kódu – pro webové projekty, to znamená prohlížeče. . Žádné hotové řešení To znamená, že i základní lintery a jednotkové testy jsou vynikajícími nástroji pro kontrolu kvality a snížení halucinací.Zejména proto, že nastavení statických kontrol kódů v monorepo je poměrně levné.A můžete vždy generovat jednotkové testy založené na kódu, který je již napsán. Zatímco některé nástroje umělé inteligence (jako je Cursor) běží automaticky, stále má smysl výslovně instruovat LLM, aby prováděl kontroly. Například prompt by mohl vypadat takto: 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.
 Vytvoření paměťové banky Paměťová banka je rámec, který popisuje, jak ukládat a spravovat dva typy entit: a . Rules Documentation je poměrně jednoduchý - je to váš produkt popsaný z různých perspektiv: produkt, architektura a úrovně komponent. Existuje spousta článků online o psaní dobré technické dokumentace. Co je pro nás důležité, je to, že čím je dokumentace podrobnější a čím je blíže k kódu, tím je pro agenta jednodušší ji získat. Documentation Standardním vstupním bodem pro agenty AI je soubor AGENTS.md. Tento soubor by měl popsat celkovou strukturu a účel projektu a poskytnout odkazy na další dokumentační soubory. Monorepo nastavení umožňuje pohodlně organizovat dokumentaci v rámci konkrétních modulů a zároveň udržovat paměťovou banku na úrovni kořenů. Zde je to, jak by mohla vypadat struktura souboru paměťové banky: 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/
 jsou poměrně novým konceptem a podle mého názoru jedním z nejproduktivnějších nápadů pro opětovné použití poptávek. Pravidla jsou kódování pokynů napsaných v přirozeném jazyce – v podstatě kombinací a Přístup kurzorového editoru k pravidlům se zdá obzvláště výkonný, protože vám umožňuje připojit pravidla ke konkrétním souborům pomocí globálních vzorů.Tímto automaticky „importuje“ příslušná pravidla do kontextu při práci s různými částmi vašeho úložiště.Můžete definovat pravidla pro akce TypeScript, Supabase nebo GitHub jednou a pak je znovu použít v různých projektech.To je zvláště užitečné při dodržování konvencí pro pojmenování a standardů struktury úložiště. Rules contribution.md .eslintrc Pravidla jsou vždy globální a univerzální.Nejlepší praxí je ukládat je do kořene úložiště – to je to, co editory kódu očekávají. Problému „prázdné stránky“ pro dokumentaci i pravidla se lze snadno vyhnout. Dokumentace může být generována pomocí umělé inteligence pomocí jednoduchého upozornění a poté upravována. , , , , . Jeden Dvě Tři Takže každá relace s agentem umělé inteligence začíná čtením paměťové banky a končí jejím aktualizací.To vyžaduje disciplínu a pozornost, ale rychle se vyplácí, protože šetří čas při zahájení další relace. Naučte se „Plan → Act“ potrubí Přístup Plan → Act je pravděpodobně největší změnou v tom, jak pracujeme s AI asistenty, a je to opravdu jediný spolehlivý způsob, jak řešit složité, rozsáhlé úkoly. Mnoho AI kódovacích asistentů to má vestavěné mimo krabici. Cursor například automaticky plánuje provedení úkolů, aniž by vyžadoval další pokyny. Přístup je založen na principu 90/10: buďte připraveni strávit 90% svého času plánováním a pouze 10% na implementaci. Plánování produkuje specifické artefakty – úkoly. Čím podrobnější, důkladnější a konzistentnější jsou vaše úkoly, tím lepší budou vaše výsledky. Typický pracovní postup Plan → Act vypadá takto: Plán 
 
 
 
 
 
 
 Shromažďování potřebných dokumentů z paměťové banky Popis obchodního kontextu. V podstatě uživatelská cesta pro funkci Technická specifikace - co je potřeba implementovat Popis procesu QA - který skript spustit pro testování, které testy přidat Vytvoření souboru tasks.md Iterace prostřednictvím souboru tasks.md, objasnění, opravy, vylepšení Akce 
 
 
 
 
 
 
 Otevření nové relace (chat, karta) Krok za krokem, postupně, postupně Kontrola výsledků vizuálně a s testy na každém kroku. Rafinace zpětné vazby, přidání testovacího pokrytí Aktualizace dokumentace Odstranění souboru tasks.md Dvě Pro použití tohoto potrubí: important tips 
 
 
 Vždy oddělte plán a jednání do různých relací.Je to pohodlné, navíc zlepšuje stabilitu a šetří na žetonech Pokud agent produkuje nesprávné výsledky, nezkomplikujte věci dodatečnými pokyny – vraťte se do fáze plánu, zdokonalte úlohu.md, paměťovou banku a pravidla. Ovládání plánu → akčního potrubí není jen o AI gramotnosti. Je to důležitá, dokonce kritická, inženýrská dovednost. V podstatě je dobrý plán připraveným projektovým dokumentem – můžete o něm diskutovat s vedoucím týmu nebo týmem, vyrovnat se s ním před implementací v PR a použít jej jako základ pro dokumentaci a testovací vrstvu. Plug-in cloudový agent Existuje tolik různých nástrojů na trhu a já jsem se nechtěl zaměřit na žádný konkrétní nástroj. Ale rozdělme alespoň dva hlavní typy: lokální agenty (jako je Claude Code, Cursor a Codex CLI) a ty založené na cloudu (jako je Codex Cloud, Jules nebo nově vydaný ) se Claude Code na webu Ať už se jedná o editor kódu poháněný AI nebo nástroj CLI, většina každodenních pracovních úkolů je jednoduše jednodušší a efektivnější řešit tímto způsobem. Ale cloudové nástroje mají své vlastní sladké místo.Jejich hlavní věc je, že veškerá interakce probíhá prostřednictvím prohlížeče - nepotřebujete vývojářské prostředí nebo lokálně nasazený projekt.Druhá důležitá vlastnost je, že jsou postaveny pro paralelní práci a produkují více výsledků současně. Proto jsou ideální pro tyto případy použití: 
 
 
 
 Jakákoli analýza kódu, odhad času pro implementaci, posouzení potenciálních obtíží nebo vytvoření pracovního plánu (task.md).Tento typ analýzy je skvělou pomocí před zahájením práce na velkém úkolu.Budete okamžitě rozumět, které části plánu lze implementovat společně s AI, což ještě více zkrátí dobu implementace. Velký, ale opakující se refaktoring, který nevyžaduje pečlivý dohled. Hlavní věc je nejprve připravit testy (viz kontrolu #3). Cílené nekritické změny, obcházení týmu vývojářů. Namísto vytváření úkolu v sledovači úkolů může váš PO nebo Designer s přístupem Codex napsat poptávku pro agenta cloudu. Dokonalý úkol je ten, který se vyřeší sám, a ještě lépe, proces pro řešení podobných úkolů. 7. sdílet Možná nejtěžší částí kódování AI je týmová práce. Jak sdílíte nejlepší postupy? Měli byste standardizovat pracovní postupy mezi spoluhráči a všichni potřebují používat stejnou sadu nástrojů? A to jsou jen ty nejabstraktnější otázky. AI asistenti také vyvolávají spoustu velmi specifických otázek: jak spravujete paměťovou banku a kdo by měl být zodpovědný za její udržování aktuální? Poskytovatelé AI se snaží řešit tuto potřebu tak či onak, ale neexistují hotová řešení.Jak se tak často stává v softwarovém inženýrství, budeme muset vynalézt řešení sami. Z mé zkušenosti vyplývá, že nejlepší způsob, jak šířit znalosti, je prostřednictvím otevřených horizontálních fór.Pokud již máte pravidelná setkání vývojářů pro sdílení postupů, diskusi o novinkách a předávání zkušeností, udělejte z přijetí AI na těchto setkáních důležité téma.Pokud takové fórum ještě nemáte, možná má smysl vytvořit jedno, nebo prosazovat přijetí AI na jakékoli platformě, která je k dispozici.

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

Read My Stories

Tento zvuk je produkován v původním jazyce příběhu!

Začněte kódovat chytřeji s AI

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps