Komuniti pembangun sedang mengalami perpecahan yang menarik. Walaupun sesetengah pengaturcara melaporkan peningkatan produktiviti yang besar menggunakan alat pengkodan AI, yang lain mendapati diri mereka kecewa dan mempersoalkan sama ada mereka terlepas sesuatu yang asas. Perpecahan ini telah mencetuskan perbincangan sengit tentang keberkesanan sebenar model bahasa besar ( LLMs ) dalam pembangunan perisian.
Kebimbangan asal datang daripada seorang pembangun yang berasa ketinggalan walaupun mencuba pelbagai alat AI. Mereka menerangkan menghabiskan berjam-jam dengan pembantu AI hanya untuk menyedari bahawa mereka boleh menyelesaikan tugas secara manual dalam 25 minit. Namun mereka terus melihat kisah kejayaan daripada pembangun yang dihormati, mewujudkan jurang yang membingungkan antara jangkaan dan realiti.
Alat dan Konteks Lebih Penting Daripada Jangkaan
Maklum balas komuniti mendedahkan bahawa pilihan model AI dan persekitaran pembangunan mewujudkan pengalaman yang berbeza secara dramatik. Ramai pembangun melaporkan bahawa sesi ChatGPT yang berdiri sendiri menghasilkan keputusan yang mengecewakan, manakala persekitaran pembangunan bersepadu seperti Cursor atau Claude Code memberikan hasil yang jauh lebih baik. Perbezaan utama terletak pada memberi alat AI akses kepada keseluruhan pangkalan kod, sistem binaan, dan konteks projek berbanding bekerja dengan serpihan kod yang terpencil.
Seorang pembangun berpengalaman berkongsi bagaimana mereka kembali kepada pengaturcaraan selepas rehat 12 tahun dan mendapati alat AI sangat berharga untuk mengendalikan tugas persediaan, rangka kerja konfigurasi, dan membetulkan ralat penyusunan. AI tidak menulis keseluruhan projek mereka, tetapi ia menghapuskan kerja boilerplate yang membosankan yang akan menghabiskan masa yang ketara.
Alat Pengekodan AI Paling Berkesan Mengikut Kategori:
- IDE Bersepadu: Cursor , Claude Code (dengan akses penuh kepada pangkalan kod)
- Model Kendiri: Claude 3.5 Sonnet , GPT-4 (untuk tugasan khusus)
- Kurang Berkesan: ChatGPT kendiri, GPT-4o untuk pengaturcaraan kompleks
Kekhususan Domain Mewujudkan Keputusan Yang Sangat Berbeza
Jenis kerja pengaturcaraan sangat mempengaruhi keberkesanan AI. Pembangunan frontend, aplikasi web, dan tugas pentadbiran biasa melihat kadar kejayaan yang luar biasa. Pembangun melaporkan dapat mengubah gaya laman web, mencipta panel pentadbiran, dan menjana kod boilerplate sambil menonton televisyen. Walau bagaimanapun, domain khusus seperti pemacu GPU, robotik, atau pangkalan kod C++ warisan sering menghasilkan keputusan yang mengecewakan.
Saya bekerja pada pengkompil GPU cpp. Semua LLMs tidak berguna. Ironiknya pengkompil yang saya kerjakan digunakan secara meluas untuk beban kerja LLM.
Corak ini menunjukkan alat AI cemerlang dalam tugas yang diwakili dengan baik dalam data latihan mereka tetapi bergelut dengan domain teknikal khusus atau teknologi canggih yang belum didokumentasikan secara meluas dalam talian.
Domain Pengaturcaraan mengikut Keberkesanan AI:
- Kejayaan Tinggi: Pembangunan frontend, aplikasi web, panel pentadbiran, penjanaan boilerplate
- Kejayaan Sederhana: Kerja backend am, integrasi API, dokumentasi
- Kejayaan Rendah: Pemacu GPU, robotik, pangkalan kod C++ warisan, pengaturcaraan perkakasan khusus
Masalah Ketidakkonsistenan
Mungkin penilaian paling jujur daripada komuniti mengakui bahawa alat pengkodan AI berfungsi kadang-kadang dan gagal pada masa lain. Pembangun yang sama boleh mempunyai pengalaman yang sangat berbeza dengan tugas yang serupa, membawa kepada apa yang dibandingkan oleh sesetengah orang dengan perjudian atau tingkah laku mesin slot. Ketidakkonsistenan ini menyukarkan untuk membangunkan aliran kerja yang boleh dipercayai atau menetapkan jangkaan yang sesuai.
Sesetengah pembangun menerangkan pembelajaran menggunakan alat AI sebagai kemahiran yang memerlukan pelaburan yang ketara, serupa dengan menguasai editor teks yang kompleks. Mereka menekankan kepentingan belajar bagaimana membimbing dan melatih AI berbanding mengharapkan ia berfungsi secara autonomi. Walau bagaimanapun, pengkritik mempersoalkan sama ada menggantikan pengkodan yang mudah dengan tugas yang lebih kompleks untuk menguruskan output AI yang tidak dapat diramalkan mewakili kemajuan yang tulen.
Faktor Kejayaan Utama yang Dikenal pasti:
- Akses konteks kod penuh berbanding serpihan kod yang terpencil
- Pemilihan tugasan yang sesuai (kod asas berbanding logik kompleks)
- Belajar untuk membimbing/melatih AI dan bukannya mengharapkan kerja autonomi
- Menggunakan AI untuk teknologi yang berdokumentasi dengan baik berbanding domain terdepan
Faktor FOMO
Ketakutan terlepas peluang memainkan peranan penting dalam kebimbangan pembangun terhadap alat AI. Ramai yang bimbang bahawa tidak menggunakan teknologi ini akan menyebabkan mereka kurang bernasib baik dari segi profesional. Walau bagaimanapun, suara berpengalaman dalam komuniti mencadangkan bahawa landskap yang berubah dengan pantas menjadikannya munasabah untuk menunggu penstabilan berbanding sentiasa mengejar perkembangan terkini.
Perbincangan mendedahkan bahawa kebanyakan gembar-gembur pengkodan AI semasa mungkin didorong oleh strategi pemasaran yang direka untuk mewujudkan keperluan dan menekan pembangun untuk menggunakan sebelum teknologi itu cukup matang untuk kegunaan harian yang boleh dipercayai.
Kesimpulan
Pengalaman bercampur komuniti pembangun dengan alat pengkodan AI mencerminkan teknologi yang masih dalam evolusi pesat. Kejayaan nampaknya sangat bergantung pada memilih alat yang sesuai, bekerja dalam domain yang sesuai, dan membangunkan kemahiran baru untuk kerjasama manusia-AI. Walaupun sesetengah pembangun mencapai peningkatan produktiviti yang luar biasa, yang lain mendapati kaedah tradisional lebih boleh dipercayai dan cekap.
Berbanding penggunaan atau penolakan universal, bukti menunjukkan masa depan yang lebih bernuansa di mana alat pengkodan AI cemerlang dalam konteks tertentu sambil kekal tidak sesuai untuk yang lain. Pembangun mungkin mendapat manfaat daripada bereksperimen dengan alat ini tanpa tekanan untuk segera mengubah keseluruhan aliran kerja mereka, membenarkan teknologi dan amalan terbaik untuk matang lebih lanjut sebelum membuat komitmen yang ketara.
Rujukan: GPTs and feeling left behind