Vibe koding hype berakhir, kerana terdapat batasan besar kepada apa yang boleh dicapai oleh model bahasa yang besar. Walau bagaimanapun, agensi koding ini menjadi agak baik. Mereka boleh memutar halaman frontend baru, wire up APIs, dan juga membina konfigurasi CI / CD. Tetapi sesiapa sahaja tahu betapa tidak konsisten mereka. Prompt yang sama boleh bekerja sekali dan memecahkan yang seterusnya. Mereka melupakan bahagian-bahagian daripada pangkalan kod anda, mencampurkan SDK yang terbuang, atau hanya membuat perkara-perkara. Masalahnya bukan bahawa model itu buruk - ia adalah bahawa ia tidak Berikut merupakan bukti - Seseorang menulis bahasa pemrograman semata-mata menggunakan agen pengkodean.Jika ini mungkin, apa-apa pun adalah. Kenali konteks anda https://cursed-lang.org/ Untuk mendapatkan output yang boleh dipercayai, anda tidak boleh prompt lebih baik. Agen bekerja dalam – membentuk inputnya, memberikan struktur, dan menetapkan sempadan yang betul. . engineer the environment context engineering LLM Tidak Berpikir Seperti Jurutera LLM tidak "mengerti" kod seperti yang kita lakukan. Mereka meramalkan token berdasarkan corak dalam input terdahulu, bukan pada pembinaan aplikasi atau struktur. jadi walaupun perubahan kecil dalam fail prompt atau sekitarnya boleh mengubah output. Tanpa struktur, mereka seperti jurulatih yang menebak tumpukan anda daripada ingatan. Anda tidak boleh memperbaiki ini dengan menjerit kepada model. (Saya boleh memberitahu, saya cuba) Anda memperbaikinya dengan memberikannya - sekatan dan persekitaran yang membimbingnya ke arah kod yang sah setiap kali. scaffolding 2.Kegagalan membuat kod yang dapat diprediksi Sekiranya anda mahu agensi untuk bertindak secara konsisten, Mereka mempersempit ruang output yang mungkin, dan memaksa model untuk kekal selaras dengan setup anda. constraints are your friend Beberapa penghalang yang berguna: Tipe – Jika anda menggunakan skim TypeScript atau JSON, agen boleh melihat persis apa bentuk yang perlu diikuti. Lint + peraturan format - Prettier, ESLint, atau peraturan codegen membuat output konsisten tanpa prompting tambahan. Tugas-tugas yang lebih kecil — Alih-alih "build me a backend", minta "tambah laluan ini ke src/api/user.ts." Konfigurasi dan templat – Alat-alat seperti Typeconf dan Varlock boleh menyediakan variabel persekitaran, SDK, atau apa-apa corak konfigurasi yang perlu diikuti oleh agen. Triknya adalah untuk memastikan bahawa anda sentiasa menulis kod dengan jenis yang kuat. anda tidak kehilangan fleksibiliti - anda hanya menangkap kesilapan lebih awal dan membuat tingkah laku boleh diulang. Membina sistem sebagai dasar kebenaran Walaupun kod kelihatan baik, ia sering pecah pada masa pembinaan kerana agen menebak salah tentang bagaimana perkara-perkara disalut. Contohnya : Anda meminta ia untuk menjalankan ujian, ia menulis ujian npm - tetapi repo anda menggunakan pnpm atau nx. Ia cuba membina Dockerfile yang tidak wujud walaupun persekitaran sebenar anda. Ia mengimport paket yang belum dipasang. Fix ialah untuk - beri agen gambaran yang jelas tentang bagaimana kod dibina, diuji, dan digunakan.Pikirkan ia sebagai alat agen tambahan untuk persekitaran projek anda. abstract the build system Sebaik sahaja agen tahu apa yang bermaksud "membina" di dunia anda, ia boleh menggunakan pengetahuan itu alih-alih menebak. Bazel, Buck, Nx, atau bahkan package.json yang berstruktur dengan baik sudah merupakan asas yang baik. Semakin banyak anda memaparkan maklumat ini, semakin sedikit halusinasi yang akan anda hadapi.Jika anda ingin pergi lebih jauh, anda boleh menulis hooks alat anda sendiri untuk mengelakkan agen daripada memanggil sistem pembinaan yang salah, lihat panduan Claude Code: . https://docs.claude.com/en/docs/claude-code/hooks-guide Masalah dengan Latihan yang Terlalu Lama Kebanyakan agen pengkodean dilatih pada data yang telah berumur setahun atau dua. mereka akan dengan senang hati menggunakan APIs yang tidak lagi wujud, atau corak kod yang semua orang telah ditinggalkan sejak zaman dahulu. Anda mungkin telah melihat perkara-perkara seperti: Kaedah Lifecycle React Fungsi perpustakaan yang tidak wujud Menyelamatkan Next.js API Perintah NPM untuk pustaka yang dipindahkan ke versi baru Anda tidak boleh bergantung kepada latihan sahaja. anda perlu membawa konteks anda sendiri - dokumen sebenar, kod sebenar, konfigurasi sebenar. Beberapa cara untuk menutup kesenjangan: Feed dalam dokumen pustaka, contohnya melalui MCP seperti Context7. Biarkan agen membaca fail kod sebenar dan ketergantungan - tunjukkan ia untuk membaca node_modules, anda akan terkejut betapa kerap ia akan membantu memperbaiki API. Tambah arahan tersuai kepada AGENTS.md memberitahu model untuk mengelakkan corak berulang yang bermasalah yang cuba digunakan. Apabila model tahu apa yang sebenarnya ada di sana, ia berhenti berhalusinasi. 5.Perkh konteks Agen pengkodean yang baik tidak hanya membaca panggilan anda - ia membaca keseluruhan situasi. Anda boleh memikirkan konteks dalam tiga lapisan: Static context Struktur projek, tata letak fail, jenis, konfigurasi, perintah build, ketergantungan. Dynamic context Tugas semasa, fail terbuka, mesej ralat, hasil ujian, log runtime. External context Dokumen, rujukan SDK, changelogs, atau snippets dari web apabila diperlukan. Gabungkan ketiga-tiga, dan agen mula bertindak seperti seseorang yang benar-benar disenaraikan ke kod pangkalan anda - bukan freelancer acak yang menebak daripada ingatan. Contoh-contoh daripada dunia sebenar Apabila saya mula mengotomatiskan integrasi WorkOS AuthKit, di sini adalah senarai yang tidak melelahkan masalah yang model ini dihasilkan untuk saya: Bermula menggunakan APIs withAuth dan getUser; Logik frontend dan backend campuran; (seperti menggunakan useState pada komponen sisi pelayan) Menghasilkan variabel persekitaran yang salah; Menggunakan paket yang salah; Ia boleh dikatakan bahawa model ini juga mengalir melalui semua pengurus paket, kadang-kadang npm, kadang-kadang pnpm, apa-apa yang paling menarik untuk model pada satu masa. Selepas saya telah menambah sekatan, secara langsung menentukan apa yang agen perlu gunakan, disertakan dengan API terkini model mula menghasilkan kod integrasi . consistently Perbezaan bukan dalam model - ia dalam apa yang ia lihat. Konteks Adalah Antarmuka Baru Kebanyakan orang masih berfikir tentang agensi pengkodean seperti chatbots: beri petunjuk, dapatkan jawapan. tetapi untuk kerja kejuruteraan sebenar, petunjuk hanya satu bahagian. Sihir sebenar berlaku dalam konteks - fail, jenis, perintah, dan loop maklum balas yang boleh diakses oleh agen. Di masa depan, kami tidak akan hanya "bercakap" dengan agensi pengkodean - kami akan mengalir mereka ke dalam sistem pembinaan kami.Mereka akan memahami repos kami, tahu alat kami, dan mengikuti peraturan yang sama seperti mana-mana bahagian lain daripada tumpukan. Kesimpulan Agen koding gagal bukan kerana mereka bodoh, tetapi kerana mereka bekerja buta. Jika anda mahu mereka menjadi rakan sekerja yang boleh dipercayai, berikan mereka struktur: Batas-batas yang menentukan bagaimana mereka harus kod; Membina abstraksi yang menunjukkan bagaimana projek anda sebenarnya berjalan; konteks terkini supaya mereka berhenti menggunakan corak lama; Semakin baik konteks, semakin baik kod. Anda tidak hanya meletakkan seorang jurutera baru ke dalam repo anda dan berkata "mengira itu keluar."
