Janji untuk memparalelkan pembangunan perisian melalui subagen kod Claude telah menarik perhatian pembangun, tetapi pelaksanaan dunia sebenar mendedahkan cabaran yang ketara. Walaupun konsep memecahkan tugas kompleks kepada agen AI yang khusus terdengar revolusioner, komuniti pembangun mendapati bahawa realitinya jauh lebih bernuansa daripada jangkaan awal yang dicadangkan.
 |
|---|
| Meneroka janji dan cabaran memparalelkan pembangunan perisian dengan subagen Claude Code |
Isu Kebolehpercayaan Melanda Pelaksanaan Kompleks
Pembangun yang bereksperimen dengan aliran kerja subagen menghadapi masalah kebolehpercayaan asas yang melemahkan keberkesanan pendekatan tersebut. Isu teras berpunca daripada subagen yang tidak mempunyai akses kepada konteks projek penting, terutamanya fail seperti CLAUDE.md yang mengandungi pengetahuan dan garis panduan projek yang penting. Tanpa konteks ini, subagen sering hanyut ke arah penyelesaian tiruan yang dipermudahkan dan bukannya menangani keperluan projek sebenar.
Seorang pembangun berkongsi pengalaman pembelajaran yang mahal, membelanjakan 50 dolar Amerika Syarikat untuk projek yang gagal di mana pencemaran konteks akhirnya memerlukan penulisan semula yang lengkap. Cabaran menjadi lebih ketara dalam pangkalan kod yang kompleks di mana agen sangat bergantung kepada pengetahuan projek terkumpul yang tidak dapat dipindahkan dengan berkesan kepada subagen.
Implikasi Kos
- Penggunaan token meningkat dengan ketara apabila menggunakan agen berantai
- Seorang pembangun melaporkan membelanjakan $50 USD untuk projek subagen yang gagal
- Had penggunaan Claude Pro dicapai dengan lebih cepat menggunakan aliran kerja agen selari
- Gelung berulang antara agen menambahkan penggunaan token
Pemfaktoran Semula Terbukti Bermasalah
Pemfaktoran semula kod telah muncul sebagai titik lemah yang khusus untuk agen AI. Tidak seperti manusia yang boleh menggunakan strategi seperti memotong dan menampal kod secara sistematik, agen AI tidak mempunyai mekanisme yang setara untuk pergerakan kod yang boleh dipercayai. Pembangun melaporkan kejadian di mana kod hilang atau diubah suai secara tidak sengaja semasa percubaan pemfaktoran semula, terutamanya apabila berurusan dengan fail besar yang melebihi tetingkap konteks agen.
Isu asasnya ialah agen AI tidak dapat mengekalkan pendekatan sistematik yang sama yang digunakan oleh pembangun manusia. Mereka bergelut untuk menjejaki perubahan merentasi berbilang fail dan sering kehilangan butiran penting apabila bekerja dengan pangkalan kod yang besar.
Agen Berasaskan Tugas Mengatasi Agen Berasaskan Peranan
Pengalaman komuniti menunjukkan bahawa agen yang direka untuk tugas khusus secara konsisten mengatasi agen yang dimodelkan mengikut peranan manusia seperti pengurus produk atau pembangun bahagian belakang. Daripada mencipta subagen pembangun bahagian belakang, pembangun mendapat hasil yang lebih baik dengan agen yang fokus kepada tugas yang sempit dan jelas seperti analisis dokumentasi atau penilaian liputan ujian.
Subagen yang ideal ialah yang boleh mengambil soalan mudah, menggunakan jumlah token yang besar untuk menjawabnya, dan kemudian mengembalikan jawapan yang ringkas, menggugurkan semua token perantaraan tersebut sebagai tidak perlu.
Pendekatan ini berfungsi dengan baik terutamanya untuk operasi berat token di mana subagen boleh memproses maklumat yang luas dan mengembalikan hasil yang ringkas tanpa mencemarkan konteks utama.
Kes Penggunaan Subagen yang Berjaya
- Analisis dan pencarian dokumentasi
- Penilaian liputan ujian
- Pemeriksaan pematuhan panduan gaya
- Pembinaan projek baru dari awal
- Pemeriksaan QA pra-pelancaran
- Analisis log respons insiden
Kebimbangan Kos dan Kerumitan Meningkat
Implikasi kewangan aliran kerja subagen menjadi lebih jelas apabila pembangun melaksanakannya pada skala besar. Penggunaan token meningkat secara mendadak apabila merangkaikan berbilang agen, terutamanya dalam gelung berulang. Ini membawa kepada penyusutan had penggunaan yang lebih pantas pada pelan seperti Claude Pro dan peningkatan bil yang tidak dijangka yang boleh mengejutkan pembangun.
Selain kos, sifat tidak deterministik model bahasa besar mencipta cabaran penyahpepijatan. Mengubah arahan satu agen boleh mempunyai kesan riak sepanjang keseluruhan aliran kerja, menjadikannya sukar untuk mengekalkan hasil yang konsisten. Ramai pembangun mendapati diri mereka menghabiskan lebih banyak masa menguruskan tingkah laku Claude daripada memberi tumpuan kepada masalah perniagaan sebenar mereka.
Strategi Alur Kerja Alternatif
- Sesi sembang berasaskan ciri (satu sembang bagi setiap ciri)
- Ejen berasaskan tugasan dan bukannya ejen berasaskan peranan
- Sistem berasaskan peraturan dengan arahan slash
- Penulisan semula konteks menggunakan model yang lebih kecil
- Penetapan konteks segar dengan setiap panggilan
Pendekatan Alternatif Mendapat Tarikan
Sesetengah pembangun mendapat kejayaan dengan alternatif yang lebih mudah kepada sistem subagen yang kompleks. Sesi sembang berasaskan ciri, di mana setiap ciri baharu mendapat benang perbualan sendiri, terbukti berkesan. Pada akhir setiap sembang ciri, pembangun meminta AI merumuskan kerja dan menyimpannya sebagai dokumentasi, memelihara pengetahuan untuk sesi masa depan sambil mengelakkan pencemaran konteks.
Yang lain melaksanakan sistem berasaskan peraturan dan arahan garis miring dan bukannya agen berasaskan peranan, melaporkan kebolehpercayaan yang lebih baik dan hasil yang lebih boleh diramal. Pendekatan ini mengekalkan faedah bantuan AI sambil mengelakkan kerumitan dan ketidakbolehramalan hierarki agen yang rumit.
Keadaan semasa subagen kod Claude mencerminkan cabaran yang lebih luas bagi alat pembangunan AI: keupayaan yang mengagumkan digandingkan dengan batasan ketara yang memerlukan pertimbangan teliti dan jangkaan realistik daripada pembangun.
Rujukan: How to Use Claude Code Subagents to Parallelize Development