Komuniti pembangun sedang berbincang hangat mengenai pendekatan baharu untuk pengkodan berbantu AI yang menunjukkan kadar kejayaan yang luar biasa. Daripada menggunakan model AI pada pangkalan kod secara membuta tuli dan berharap untuk hasil terbaik, pembangun mendapati bahawa pengurusan tugas berstruktur membuat perbezaan yang besar.
Kejayaan ini datang daripada penggunaan fail markdown untuk memecahkan projek pengkodan yang kompleks kepada bahagian-bahagian yang boleh diurus dengan berkesan oleh ejen AI. Kaedah ini telah menarik perhatian selepas pembangun berkongsi pengalaman mereka dengan peningkatan kadar kejayaan yang dramatik ketika bekerja dengan pembantu pengkodan AI.
Proses Mengatasi Kuasa AI Mentah
Wawasan utama yang mendorong trend ini ialah kejayaan pengkodan AI bergantung lebih kepada cara anda mengatur kerja berbanding model yang anda gunakan. Percubaan awal pembangunan berbantu AI sering gagal kerana pembangun akan menyampaikan keseluruhan pangkalan kod kepada model AI tanpa konteks atau struktur yang betul.
Saya menggunakan Claude Code pada pangkalan kod sedia ada beberapa bulan lalu dan cepat berhenti—mengurai outputnya lebih perlahan daripada menulis dari awal. Penyelesaiannya ternyata adalah proses, bukan kuasa model.
Penyelesaiannya melibatkan penciptaan fail markdown individu untuk setiap tugas pengkodan, lengkap dengan konteks, keperluan, dan rancangan pelaksanaan. Ini memberikan model AI maklumat fokus yang mereka perlukan untuk menghasilkan kod berguna daripada tersesat dalam projek yang besar dan kompleks.
Perkembangan Kadar Kejayaan:
- 50% kejayaan: README.md asas + CLAUDE.md untuk konteks projek
- 75% kejayaan: Fail markdown individu bagi setiap tugasan dengan rancangan
- 95%+ kejayaan: Alat CLI penuh dengan penjanaan tugasan automatik
Aliran Kerja Tiga Langkah Yang Berkesan
Pembangun melaporkan kadar kejayaan melebihi 95% menggunakan pendekatan tiga langkah berstruktur. Pertama, mereka menjana pecahan tugas terperinci menggunakan model AI seperti GPT-4 atau Claude Opus. Seterusnya, mereka mencipta rancangan pelaksanaan untuk setiap tugas, sekali lagi dengan bantuan AI tetapi termasuk semakan manusia. Akhirnya, mereka menggunakan model AI seperti Claude Sonnet untuk menulis kod sebenar berdasarkan spesifikasi terperinci ini.
Aliran kerja ini telah menjadi begitu lancar sehingga sesetengah pembangun boleh menguruskan ciri-ciri mudah sepenuhnya dari peranti mudah alih, menggunakan aplikasi telefon pintar untuk mencipta tugas, menjana rancangan, dan bahkan menggabungkan kod yang siap melalui antara muka mudah alih GitHub.
Aliran Kerja Pengekodan AI Tiga Langkah:
- Jana tugasan - GPT-4/Claude Opus mencipta pecahan tugasan → semakan kendiri
- Jana pelan - Ejen yang sama mencipta pelan pelaksanaan → manusia membuat penambahbaikan
- Laksanakan - Claude Sonnet/Codex menulis kod → semak & gabungkan
Penggunaan Komuniti dan Keperluan Integrasi
Pendekatan ini semakin mendapat sambutan dalam kalangan pembangun yang sebelum ini bergelut dengan alat pengkodan AI. Ramai yang mencari cara untuk mengintegrasikan pengurusan tugas berasaskan markdown ini dengan sistem pengurusan projek sedia ada seperti Jira, mengiktiraf potensi untuk merapatkan aliran kerja AI peribadi dengan alat kerjasama pasukan.
Kejayaan kaedah ini menunjukkan bahawa masa depan pembangunan berbantu AI terletak bukan pada model yang lebih berkuasa, tetapi dalam cara yang lebih baik untuk menyusun dan menyampaikan masalah pengkodan kepada sistem AI sedia ada. Ketika pembangun terus memperhalusi proses-proses ini, kita mungkin akan melihat lebih banyak alat dan aliran kerja yang direka khusus untuk kerjasama AI-manusia dalam pembangunan perisian.
Rujukan: Backlog.md