Perdebatan mengenai kod yang dijana oleh AI telah beralih daripada ramalan teori kepada cerita pelaksanaan dunia sebenar. Pencipta Flask, Armin Ronacher baru-baru ini berkongsi pengalamannya membina sistem pengeluaran di mana AI menjana kira-kira 90% daripada kod, mencetuskan perbincangan sengit tentang keadaan semasa dan batasan pembangunan berbantu AI.
Realiti Pengeluaran vs. Gembar-gembur
Projek Ronacher melibatkan pembinaan perkhidmatan e-mel berasaskan Go sebanyak 40,000 baris dengan REST API dan penjana SDK tersuai. Walaupun beliau mencapai pencapaian 90% kod dijana AI, respons komuniti pembangun mendedahkan gambaran yang lebih bernuansa. Pelaksanaan tersebut memerlukan pengawasan berterusan, pengawasan seni bina, dan semakan teliti setiap baris - pada asasnya menganggap AI sebagai apa yang digambarkan oleh seorang pembangun sebagai monyet kod yang memerlukan bimbingan berpengalaman.
Komuniti menolak metrik yang terlalu dipermudahkan, dengan sesetengahnya menunjukkan bahawa mengukur kejayaan berdasarkan jumlah kod sahaja terlepas pandang sepenuhnya. Perbandingan yang dibuat antara kod dijana AI dan spam surat berita menyerlahkan kebimbangan tentang kualiti berbanding kuantiti dalam pembangunan perisian.
Spesifikasi Projek (Pelaksanaan Ronacher)
- Bahasa: Go dengan kebergantungan minimum
- API: REST API yang serasi dengan OpenAPI
- Fungsi Teras: Perkhidmatan penghantaran/penerimaan e-mel
- Komponen Yang Dijana: SDK Python dan TypeScript
- Jumlah Baris: ~40,000 (kod Go, YAML, Pulumi, SDK)
- Sumbangan AI: ~90% daripada jumlah kod
- Alat Yang Digunakan: Claude Code dan Codex untuk tugas-tugas berbeza
Batasan Teknikal Muncul dalam Senario Kompleks
Ujian dunia sebenar mendedahkan jurang ketara dalam keupayaan AI apabila mengendalikan aliran kerja pembangunan yang canggih. Ahli komuniti melaporkan bahawa AI bergelut dengan konfigurasi gred pengeluaran yang melibatkan pelbagai teknologi, kontainerisasi, protokol keselamatan, dan saluran paip penggunaan. Tugasan yang memerlukan koordinasi antara konfigurasi TypeScript, sambungan pangkalan data, sijil SSL, saluran paip CI/CD, dan langkah keselamatan sering melebihi keupayaan AI semasa.
Walau bagaimanapun, penyokong menyatakan bahawa senario kompleks ini tidak sepatutnya dicuba sebagai gesaan tunggal. Kuncinya terletak pada memecahkan tugasan kompleks kepada bahagian yang boleh diurus, sama seperti cara pembangun manusia mendekati projek besar melalui komit berperingkat dan permintaan tarik.
TypeScript: Bahasa pengaturcaraan yang menambah keselamatan jenis kepada JavaScript CI/CD: Continuous Integration/Continuous Deployment - amalan pembangunan perisian automatik
Kekuatan AI berbanding Batasan
Di mana AI Cemerlang:
- Penjanaan SQL mentah dan migrasi pangkalan data
- Penciptaan spesifikasi OpenAPI
- Persediaan infrastruktur ( AWS , Pulumi )
- Kod boilerplate dan scaffolding
- Persediaan infrastruktur ujian
- Prototaip pantas dan eksperimen
Di mana AI Bergelut:
- Threading dan concurrency (goroutines)
- Keputusan seni bina sistem
- Butiran pelaksanaan rate limiting
- Amalan terbaik pengendalian ralat
- Pertimbangan keselamatan
- Konfigurasi multi-service yang kompleks
Cabaran Keluk Pembelajaran untuk Pembangun Baharu
Kebimbangan ketara yang muncul daripada perbincangan tertumpu pada bagaimana penjanaan kod AI mempengaruhi pendidikan pembangun dan pembangunan kemahiran. Secara tradisinya, pengaturcara belajar dengan menulis kod, menerima maklum balas, dan secara beransur-ansur meningkatkan kemahiran mereka. Paradigma baharu mengharapkan pembangun junior menyemak dan mengurus kod dijana AI sambil serentak mempelajari asas pengaturcaraan.
Ini mewujudkan jurang kemahiran berpotensi di mana pengaturcara baharu mungkin menjadi bergantung kepada AI tanpa membangunkan pemahaman mendalam yang diperlukan untuk mereka bentuk sistem, nyahpepijat isu kompleks, atau membuat keputusan teknikal kritikal. Komuniti bimbang tentang generasi pembangun yang boleh menggesa AI dengan berkesan tetapi kekurangan pengetahuan asas untuk menilai hasil secara kritikal.
Faedah Praktikal dalam Kes Penggunaan Khusus
Walaupun terdapat batasan, pembangun melaporkan peningkatan produktiviti tulen dalam bidang tertentu. Persediaan infrastruktur, penjanaan kod boilerplate, penulisan pertanyaan SQL, dan prototaip pantas menunjukkan janji paling besar. Tugasan yang sebelum ini memerlukan hari penyelidikan dan pelaksanaan kini boleh diselesaikan dalam beberapa jam dengan bantuan AI.
Teknologi ini terutamanya cemerlang dalam mengendalikan tugasan membosankan tetapi difahami dengan baik seperti migrasi pangkalan data, perancah API, dan penjanaan fail konfigurasi. Pembangun menghargai keupayaan untuk bereksperimen dengan pendekatan berbeza dengan pantas, membolehkan lebih banyak proses reka bentuk berulang dan penerokaan seni bina.
Kesimpulan
Pencapaian 90% kod dijana AI mewakili kedua-dua pencapaian dan kisah amaran. Walaupun teknologi menunjukkan keupayaan mengagumkan dalam konteks khusus, konsensus komuniti menunjukkan bahawa pengawasan manusia berpengalaman kekal penting untuk sistem pengeluaran. Masa depan berkemungkinan melibatkan AI sebagai pemecut pembangunan yang berkuasa dan bukannya pengganti untuk pertimbangan kejuruteraan mahir.
Kejayaan dengan kod dijana AI nampaknya sangat bergantung pada keupayaan pembangun untuk menyediakan bimbingan seni bina yang betul, mengekalkan piawaian kualiti kod, dan mengenali bila cadangan AI patut ditolak. Semasa teknologi terus berkembang, cabaran adalah memastikan peningkatan produktiviti tidak datang dengan mengorbankan kebolehpercayaan sistem atau pembangunan kemahiran pembangun.
Rujukan: 90%