Kebangkitan alat pengekodan berkuasa AI mencipta kesan sampingan yang tidak dijangka: pembangun menulis lebih banyak dokumentasi berbanding sebelum ini. Apabila model bahasa besar (LLM) menjadi teras kepada alur kerja pembangunan perisian, pengaturcara mendapati diri mereka menghabiskan masa yang ketara untuk mencipta fail konteks, spesifikasi terperinci, dan dokumentasi berstruktur bagi membantu alat AI memahami projek mereka dengan lebih baik.
Peralihan ini mewakili perubahan asas dalam cara pembangun mendekati kerja mereka. Daripada terus terjun ke dalam pengekodan, ramai kini melabur berjam-jam dalam menulis arahan yang jelas, garis panduan projek, dan dokumentasi komprehensif yang boleh difahami oleh AI dengan berkesan.
 |
|---|
| Kepentingan yang semakin meningkat bagi penulisan teknikal dalam pembangunan AI dan peralihan dalam amalan pembangun ke arah mencipta dokumentasi yang terperinci |
LLM Bergelut dengan Perubahan API Terkini
Salah satu cabaran terbesar yang dihadapi pembangunan dibantu AI ialah ketidakupayaan model untuk mengendalikan kemas kini API terkini dan perubahan yang merosakkan. Pembangun melaporkan masalah berterusan apabila bekerja dengan perpustakaan yang telah berkembang sejak tarikh cutoff latihan model AI. Rangka kerja popular seperti Angular , React , dan perpustakaan Python yang lebih baharu sering menerima cadangan untuk kaedah yang dimansuhkan atau amalan lapuk.
Peralihan Python 2 kepada Python 3 , yang telah mantap dalam data latihan, jarang menyebabkan isu. Walau bagaimanapun, perubahan yang lebih terkini menyebabkan pembangun kecewa kerana alat AI mencadangkan kod yang tidak berfungsi dengan versi semasa.
API: Application Programming Interface - satu set peraturan yang membolehkan aplikasi perisian berbeza berkomunikasi antara satu sama lain
Isu Biasa LLM dengan API Terkini:
- Bazel: Mencadangkan penyelesaian WORKSPACE yang sudah lapuk berbanding Bzlmod
- Dart/Flutter: Mengesyorkan Text.textScaleFactor yang sudah lapuk dan amalan yang ketinggalan zaman
- Klien genai Google: Bergelut dengan kemas kini kaedah sejak had masa latihan
- MoviePy 2.x: Dilatih terutamanya pada perubahan besar v1.x yang merosakkan
- OpenTofu/IaC: Memerlukan sambungan MCP ke dokumentasi untuk ketepatan
Dokumentasi Menjadi Kesesakan Pembangunan
Walaupun penyokong berhujah bahawa dokumentasi yang lebih baik memberi manfaat kepada semua orang, realiti di lapangan menceritakan kisah yang berbeza. Ramai pembangun mendapati diri mereka terperangkap dalam paradoks produktiviti - menghabiskan lebih banyak masa menulis tentang kod daripada benar-benar menulis kod itu sendiri.
Apa yang kami dapati menarik (menggodam kod), AI yang melakukannya dan apa yang dahulu kami benci lakukan (menulis dokumentasi) kami lakukan sekarang.
Ironi ini tidak hilang dalam komuniti pembangunan. AI sepatutnya mengendalikan tugas-tugas membosankan supaya manusia boleh fokus pada kerja kreatif. Sebaliknya, pembangun kini menghabiskan masa mereka mencipta fail konteks terperinci dan mengekalkan struktur dokumentasi yang rumit hanya untuk membolehkan alat AI berfungsi dengan betul.
Peralihan Peruntukan Masa Pembangun:
- Tradisional: Lebih banyak masa mengekod, kurang masa mendokumentasi
- Dibantu AI: Lebih banyak masa mendokumentasi/mencipta konteks, AI mengendalikan pengkodan
- Paradoks produktiviti: Alat yang bertujuan menjimatkan masa sering memerlukan pelaburan persediaan yang besar
- Kadar kejayaan: ~95% perubahan berfungsi dengan baik, tetapi baki 5% boleh mengambil masa berhari-hari untuk diselesaikan
Perlumbaan Senjata Tetingkap Konteks
Apabila model AI membanggakan tetingkap konteks yang lebih besar - jumlah maklumat yang boleh mereka proses sekaligus - pembangun berasa tertekan untuk memberi mereka lebih banyak dokumentasi. Tetingkap konteks satu juta token mungkin kedengaran mengkagumkan, tetapi mengisinya dengan maklumat yang relevan dan tepat memerlukan usaha manusia yang besar.
Sesetengah pembangun melaporkan memulakan projek semula sepenuhnya selepas berjam-jam bergelut dengan kod yang dijana AI yang mengambil laluan yang salah. Janji pembangunan pesat sering larut menjadi sesi nyahpepijat yang panjang dan kitaran penyulingan konteks.
Perbandingan Tetingkap Konteks:
- 1 juta token = Keseluruhan trilogi Lord of the Rings + The Hobbit + The Silmarillion
- Tetingkap konteks yang lebih besar mewujudkan tekanan untuk menyediakan lebih banyak dokumentasi
- Konteks yang lebih banyak tidak sentiasa membawa kepada hasil yang lebih baik tanpa kurasi yang betul
Semakan Realiti mengenai Penggunaan AI
Walaupun terdapat dakwaan berani tentang penggunaan meluas amalan dokumentasi yang dioptimumkan AI, realiti nampaknya lebih sederhana. Ramai dalam komuniti penulisan teknikal mempersoalkan sama ada kebanyakan organisasi benar-benar melaksanakan strategi integrasi AI yang canggih ini. Jurang antara gembar-gembur pemasaran dan pelaksanaan sebenar kekal ketara.
Bagi pembangun berpengalaman yang bekerja pada pangkalan kod yang besar dan mantap, alat AI sering memberikan pulangan yang semakin berkurangan. Kerumitan sistem perisian dunia sebenar menyukarkan untuk menyaring konteks bermakna yang boleh digunakan oleh AI dengan berkesan tanpa bimbingan manusia yang meluas.
Keadaan semasa pembangunan dibantu AI nampaknya berfungsi terbaik untuk pendatang baru yang membina projek mudah atau bukti konsep, di mana ketepatan dan pematuhan kepada amalan terbaik kurang penting daripada mendapatkan sesuatu yang berfungsi dengan cepat. Untuk kerja pengeluaran yang serius, juri masih belum memutuskan sama ada overhed dokumentasi membenarkan potensi keuntungan produktiviti.
Rujukan: # Al must RTFM: Why technical writers are becoming context curators