Walaupun model AI terus mencapai prestasi luar biasa dalam pertandingan pengaturcaraan, dengan GPT-5 OpenAI baru-baru ini mencatatkan markah sempurna dalam kontes ICPC 2025, agen pengkodan masih jauh daripada menggantikan pembangun manusia dalam senario dunia sebenar. Jurang ini bukan lagi tentang kecerdasan mentah - tetapi tentang pengurusan konteks dan keupayaan untuk mengekalkan fokus semasa operasi kompleks berbilang langkah.
Masalah Keracunan Konteks
Salah satu isu paling ketara yang melanda agen pengkodan semasa ialah ketidakupayaan mereka untuk membuang maklumat tidak berkaitan dengan berkesan apabila tugasan berkembang. Tidak seperti manusia yang boleh mengalihkan fokus secara semula jadi dan mengabaikan konteks sebelumnya apabila diarahkan semula, model AI bergelut dengan apa yang dipanggil pembangun sebagai keracunan konteks. Apabila agen menghabiskan beribu-ribu token meneroka laluan penyelesaian yang salah, ia menghadapi kesukaran untuk mengabaikan penerokaan buruk tersebut walaupun diarahkan semula secara eksplisit dengan arahan yang jelas.
Itu kerana peramal token seterusnya tidak boleh 'melupakan' konteks. Begitulah cara ia berfungsi. Anda memuatkan perkara itu dengan konteks yang berkaitan dan berdoa agar ia membimbing laluan penjanaan ke bahagian model yang mewakili maklumat yang anda mahukan.
Batasan asas ini bermakna agen sering meneruskan laluan yang tidak produktif walaupun terdapat campur tangan manusia, menjadikan mereka tidak boleh dipercayai untuk kerja autonomi yang berpanjangan.
Konteks Perniagaan yang Hilang Mencipta Titik Buta
Selain konteks teknikal, agen pengkodan tidak mempunyai pengetahuan perniagaan dan produk penting yang dianggap remeh oleh pembangun manusia. Mereka tidak memahami mengapa keputusan seni bina tertentu dibuat, keperluan kawal selia apa yang membentuk peraturan pengesahan khusus, atau pelanggan perusahaan mana yang mendorong kes tepi tertentu. Pengetahuan suku ini tersebar di seluruh thread Slack , nota mesyuarat, dan ingatan pembangun - maklumat yang hampir mustahil untuk disediakan secara sistematik kepada sistem AI.
Cabarannya bukan sahaja mengakses maklumat ini, tetapi mensintesis dokumentasi yang bercanggah dan lapuk menjadi pemahaman yang boleh dilaksanakan. Agen semasa menerima mungkin 20% daripada konteks yang dimiliki pembangun manusia secara semula jadi, mengehadkan keberkesanan mereka pada pangkalan kod pengeluaran dengan teruk.
Keperluan Konteks untuk Agen Pengkodan yang Berkesan:
- Konteks Asas: Fail kod, dokumentasi, persekitaran pelaksanaan
- Konteks Lanjutan: Organisasi pangkalan kod, corak seni bina, keputusan bersejarah
- Konteks Perniagaan: Keperluan produk, kekangan kawal selia, kes tepi pelanggan
- Konteks Proses: Amalan pembangunan, prosedur penggunaan, jangkaan ujian
Had Skala Berterusan Walaupun Kecerdasan Meningkat
Walaupun agen pengkodan cemerlang dalam tugasan kecil seperti autolengkap dan komit tunggal, mereka bergelut dengan pangkalan kod yang lebih besar dan operasi lanjutan. Pembangun melaporkan bahawa agen tersedak pada fail C++ yang besar dan melupakan bahagian awal kod yang sedang mereka kerjakan secara aktif. Walaupun dengan tingkap konteks yang berkembang, seni bina asas model transformer mencipta kesesakan prestasi yang mekanisme perhatian jarang tidak berjaya menyelesaikan.
Komuniti telah membangunkan penyelesaian sementara seperti memulakan sesi segar untuk mengelakkan pencemaran konteks dan melaksanakan teknik pelupaan strategik, tetapi ini kekal sebagai campur tangan manual dan bukannya penyelesaian sistematik.
Tahap Autonomi Agen Pengkodan:
- Tahap 1: Beberapa baris kod (autocomplete) - Berfungsi dengan baik
- Tahap 2: Satu commit - Cursor dan Claude Code berkesan
- Tahap 3: Satu PR - Devin dan agen async, terhad kepada tugas mudah
- Tahap 4: Ciri utama/refactor - Melebihi keupayaan agen semasa
- Tahap 5: Keseluruhan codebase - Hanya berfungsi apabila bermula dari awal
Penyelesaian yang Muncul dan Keperluan Seni Bina
Sesetengah pembangun sedang bereksperimen dengan pendekatan hierarki yang mencerminkan proses kognitif manusia - menyimpan konsep dan bukannya butiran tepat dan membina lapisan ringkasan yang boleh diakses mengikut keperluan. Yang lain menyokong untuk menyusun semula pangkalan kod agar lebih mesra AI, dengan dokumentasi yang lebih baik dan seni bina modular yang sesuai dalam tingkap konteks.
Walau bagaimanapun, penyelesaian ini memerlukan pelaburan awal yang ketara dan mungkin tidak menangani batasan asas seni bina AI semasa. Konsensus di kalangan pembangun ialah penambahbaikan terobosan akan memerlukan perubahan seni bina melebihi pengembangan tingkap konteks mudah, mungkin melibatkan model hierarki yang benar-benar boleh memfokuskan perhatian pada maklumat yang berkaitan sambil membuang yang tidak berkaitan.
Laluan ke hadapan berkemungkinan melibatkan kedua-dua teknik kejuruteraan konteks yang lebih baik dan kemajuan asas dalam seni bina AI yang boleh mengendalikan konteks kompleks dan berbilang lapisan yang diperlukan oleh pembangunan perisian dunia sebenar.