Programmering med en AI Agent
Kunstig intelligens (AI) har fundamentalt ændret den måde, vi programmerer på. AI-agenter kan generere, optimere og endda hjælpe med fejlfinding af kode. Der er dog visse begrænsninger, som programmører skal huske på, når de arbejder med AI.
Problemer med rækkefølge og duplikering
AI-agenter har svært ved at placere koden i den korrekte rækkefølge. De kan for eksempel placere initialiseringer i slutningen af en fil, hvilket forårsager runtime-fejl. Derudover kan AI uden tøven definere flere versioner af den samme klasse eller funktion inden for et projekt, hvilket fører til konflikter og forvirring.
En kodeplatform med hukommelse og projektstruktur hjælper
En løsning på dette er brugen af AI-kodeplatforme, der kan administrere hukommelse og projektstrukturer. Dette hjælper med at bevare konsistensen i komplekse projekter. Desværre anvendes disse funktioner ikke altid konsekvent. Dette kan resultere i, at AI'en mister projektets sammenhæng og introducerer uønskede dubletter eller ukorrekte afhængigheder under programmeringen.
De fleste AI-kodningsplatforme arbejder med såkaldte værktøjer, som large language model'en kan kalde på. Disse værktøjer er baseret på en åben standardprotokol (MCP). Det er derfor også muligt at koble en AI-kodeagent til et IDE som Visual Code. Eventuelt kan du opsætte et lokalt LLM med llama eller ollama og vælg en MCP-server til integration. Fortis AI har en MCP-server oprettet for at hjælpe med debugging og administration af det underliggende (Linux) system. Nyttigt, hvis du ønsker at sætte koden live med det samme.
Modeller kan findes på huggingface.
IDE-udvidelser er uundværlige
For bedre at administrere AI-genereret kode kan udviklere bruge IDE-udvidelser, der overvåger kodens korrekthed. Værktøjer som linters, type-checkere og avancerede kodeanalyseværktøjer hjælper med tidligt at opdage og rette fejl. De er et essentielt supplement til AI-genereret kode for at sikre kvalitet og stabilitet.
Årsagen til gentagne fejl: kontekst og rolle i API'er
En af de primære årsager til, at AI-agenter fortsætter med at gentage fejl, ligger i måden, AI fortolker API'er på. AI-modeller har brug for kontekst og en klar rollebeskrivelse for at generere effektiv kode. Dette betyder, at prompter skal være komplette: de skal ikke kun indeholde de funktionelle krav, men også eksplicit angive det forventede resultat og randbetingelserne. For at lette dette kan du gemme prompterne i standardformat (MDC) og automatisk sende dem med til AI'en. Dette er især nyttigt for generiske programmeringsregler, du anvender, samt de funktionelle og tekniske krav og strukturen i dit projekt.
Værktøjer som FAISS og LangChain hjælper
Produkter som FAISS og LangChain tilbyder løsninger til bedre at lade AI håndtere kontekst. FAISS hjælper f.eks. med effektivt at søge og hente relevante kodefragmenter, mens LangChain hjælper med at strukturere AI-genereret kode og bevare konteksten inden for et større projekt. Men her kan du også eventuelt opsætte det lokalt med RAC-databaser.
Konklusion: nyttigt, men endnu ikke selvstændigt
AI er et kraftfuldt værktøj for programmører og kan hjælpe med at accelerere udviklingsprocesser. Ikke desto mindre er det endnu ikke rigtig i stand til selvstændigt at designe og bygge en mere kompleks kodebase uden menneskelig kontrol. Programmører bør betragte AI som en assistent, der kan automatisere opgaver og generere ideer, men som stadig har brug for vejledning og korrektion for at opnå et godt resultat.
Kontakt kontakt til at hjælpe med at opsætte udviklingsmiljøet for at hjælpe teams med at få mest muligt ud af udviklingsmiljøet og fokusere mere på kravspecifikation og design end på debugging og kodning.
