Apabila kecerdasan buatan terus mengubah landskap teknologi, pemaju dan peminat teknologi terlibat dalam perdebatan hangat tentang apa yang boleh dan tidak boleh dicapai oleh AI dalam pembangunan perisian. Walaupun pembantu pengekodan AI seperti Claude Code dan GPT-5-Codex menunjukkan keupayaan luar biasa untuk menjana kod yang berfungsi, komuniti pemaju mendapati terdapat batasan yang ketara ketika membina sistem perisian yang siap untuk pengeluaran.
Janji dan Realiti Pembangunan Berbantu AI
Ramai pemadu melaporkan peningkatan produktiviti yang dramatik apabila menggunakan pembantu pengekodan AI untuk tugas-tugas tertentu. Seorang pemadu berkongsi pengalaman yang menarik: Saya menghabiskan satu jam mendokumenkan fungsi yang melakukan simulasi saintifik kompleks, kemudian 15 minit menerangkannya kepada ChatGPT. Ia menghasilkan 700 baris kod yang mengambil masa hanya 5 minit untuk saya jalankan, diikuti dengan 1,500 baris ujian. Keseluruhan proses mengambil masa sedikit lebih dua jam, berbanding apa yang akan mengambil masa sekurang-kurangnya beberapa hari jika dilakukan dengan tangan. Peningkatan kecekapan ini amat ketara untuk masalah yang jelas spesifikasinya, pengiraan matematik, dan algoritma berdikari di mana AI boleh menjana kedua-dua pelaksanaan dan suite ujian yang komprehensif.
Walau bagaimanapun, pemaju yang sama menyatakan pendekatan ini berfungsi paling baik untuk masalah deterministik, walaupun terdiri daripada banyak bahagian yang bergerak - mewakili hanya sebahagian kecil daripada cabaran pembangunan perisian dunia sebenar. Konsensus komuniti mencadangkan AI cemerlang dalam tugas pengekodan tetapi bergelut dengan disiplin kejuruteraan perisian yang lebih luas, yang melibatkan seni bina, keputusan reka bentuk, dan pertimbangan kebolehpenyelenggaraan jangka panjang.
Laporan Produktiviti Pembangun dengan Bantuan AI:
- Simulasi saintifik yang kompleks: 2+ jam dengan AI berbanding 2+ hari secara manual
- Penulisan semula enjin kebenaran: 2 hari dengan AI berbanding beberapa minggu secara manual
- Aplikasi CRUD rutin dan kemas kini konfigurasi: penjimatan masa yang ketara
- Penciptaan komponen UI: prototaip pantas tetapi sering memerlukan penambahbaikan manusia
- Pelaksanaan algoritma: cekap untuk masalah matematik yang dispesifikasikan dengan baik
Titik Buta Seni Bina dan Cabaran Penyelenggaraan
Komuniti pemaju telah mengenal pasti beberapa bidang kritikal di mana pembantu pengekodan AI masih kurang. Satu batasan ketara muncul dalam pembuatan keputusan seni bina dan organisasi kod. Pemaju melaporkan bahawa alat AI kerap menghasilkan kod yang berfungsi tetapi kekurangan abstraksi yang betul, menduakan logik, dan mencipta mimpi ngeri penyelenggaraan. Seperti yang diperhatikan oleh seorang pemaju, Claude, jika dibiarkan begitu sahaja, telah melakukan setara LLM dengan Ctrl-C/Ctrl-V untuk hampir setiap komponen yang diciptanya... mengekalkan dua pelaksanaan yang hampir sama hanya untuk memaparkan struktur tab yang sedikit berbeza untuk pengguna yang log masuk berbanding log keluar.
Kekurangan seni bina ini menjadi amat bermasalah apabila projek berkembang melebihi prototaip mudah. Seorang pemadu lain menggambarkan mewarisi saluran pemprosesan data yang dikodkan suasana di mana AI telah menjana beratus-ratus baris python dalam setiap lambda untuk konfigurasi log, tetapi gagal memahami isu konteks setempat benang atau permulaan logger sedia ada. Hasilnya adalah kod yang kompleks, berlebihan, yang hanya sebahagiannya menyelesaikan masalah yang dimaksudkan sambil mencipta hutang teknikal baharu.
「Orang yang mengatakan LLM boleh mengekod sukar untuk saya fahami. Mereka bagus untuk skrip bash mudah dan refaktoring kompleks dan merangka idiom kod asas dan itu sahaja.」
Batasan Biasa Pengkodan AI yang Dikenal Pasti oleh Pembangun:
- Pembuatan keputusan seni bina yang lemah dan organisasi kod
- Kesukaran dengan prinsip reka bentuk abstrak dan penciptaan API yang lancar
- Titik buta dalam pengurusan kebergantungan dan keserasian perpustakaan
- Ketidakupayaan untuk mengenali dan menghapuskan pertindihan kod
- Cabaran dengan konteks thread-local dan isu konkurensi
- Pemahaman terhad terhadap corak dan konvensyen pangkalan kod sedia ada
Jurang Kepakaran Manusia dalam Pembangunan AI
Perbincangan mendedahkan bahawa pembangunan berbantu AI yang berkesan memerlukan kepakaran manusia yang besar. Pemaju dengan pengetahuan seni bina yang mendalam melaporkan hasil yang lebih baik kerana mereka boleh menyediakan spesifikasi yang tepat, menilai penyelesaian yang dijana AI secara kritikal, dan membimbing AI ke arah reka bentuk yang boleh diselenggara. Seperti yang dinyatakan oleh seorang jurutera berpengalaman, Pada tahap tertentu masalah seni bina perisian yang saya selesaikan, dengan merujuk kepada pemahaman selama beberapa dekad tentang reka bentuk struktur data dan jenis dan algoritma yang boleh diselenggara, berprestasi tinggi, dan boleh disahkan, adalah perkara yang LLM tidak dapat mula memahami.
Jurang kepakaran ini menjadi amat ketara ketika menyahpepijat kod yang dijana AI. Pemaju menggambarkan senario di mana pembantu AI dengan yakin menjana penyelesaian yang tidak betul, seperti memasang definisi jenis yang lapuk untuk pustaka JavaScript atau mencipta pelaksanaan yang lulus ujian tetapi gagal dalam pengeluaran. Proses penyahpepijatan selalunya memerlukan campur tangan manusia untuk mengenal pasti punca akar yang AI tidak dapat kenal pasti sendiri.
Evolusi Alatan dan Aliran Kerja
Komuniti pemaju sedang aktif bereksperimen dengan aliran kerja untuk memaksimumkan keberkesanan AI sambil mengurangkan batasannya. Strategi yang berjaya termasuk mencipta dokumen perancangan yang terperinci, melaksanakan peraturan linting yang ketat, mengekalkan suite ujian yang komprehensif, dan menggunakan kawalan versi dengan lebih meluas. Sesetengah pemaju mengadvokasikan pendekatan mod pelan di mana AI mesti menggariskan strateginya sebelum pelaksanaan, manakala yang lain menggunakan pintu kualiti automatik untuk menangkap antipola biasa yang dijana AI.
Terdapat minat yang semakin meningkat dalam alatan khusus untuk melengkapkan pembantu pengekodan AI. Pemaju C#, sebagai contoh, sedang meneroka Roslyn Analyzers yang boleh menguatkuasakan kekangan seni bina dan gagalkan binaan apabila kod yang dijana AI melanggar corak yang ditetapkan. Pendekatan ini mewakili peralihan ke arah mencipta pagar pelindung yang menyekat pembangunan AI kepada corak dan amalan yang diluluskan, walaupun ia memerlukan pelaburan awal yang besar dalam pembangunan penganalisis.
Strategi Aliran Kerja Pembangunan AI yang Berjaya:
- Cipta fail markdown perancangan dan nyahpepijat yang terperinci
- Laksanakan peraturan linting yang ketat dan commit hooks
- Gunakan suite ujian yang komprehensif untuk pengesahan
- Gunakan pendekatan "plan mode" sebelum pelaksanaan
- Manfaatkan pagar pelindung seni bina seperti Roslyn Analyzers
- Kekalkan commit yang kerap dan kawalan versi yang teliti
- Gabungkan pelbagai ejen AI untuk tugasan khusus yang berbeza
Masa Depan Peranan Kejuruteraan Perisian
Komuniti berbelah bahagi tentang bagaimana AI akan mengubah kerjaya kejuruteraan perisian. Ada yang meramalkan bahawa AI akan mendemokrasikan pembangunan, membolehkan pengurus produk dan pakar domain membina prototaip berfungsi tanpa bantuan kejuruteraan. Yang lain berhujah bahawa keperluan untuk pengawasan seni bina dan penyelesaian masalah kompleks akan mengekalkan permintaan untuk jurutera berpengalaman, walaupun berpotensi dalam bilangan yang berkurangan.
Ramai pemadu menyuarakan kebimbangan tentang kesan terhadap pembangunan jurutera junior. Jika tugas pengekodan peringkat kemasukan diautomasikan, terdapat ketidakpastian tentang bagaimana jurutera masa depan akan memperoleh pengalaman asas yang diperlukan untuk menjadi arkitek kanan. Seperti yang dinyatakan oleh seorang pengulas, Jika semua junior menggunakan AI, atau lebih teruk, tiada junior pernah diupah, saya tidak pasti bagaimana kami boleh menghasilkan senior itu pada skala yang kami lakukan sekarang.
Kesimpulan
Keadaan semasa AI dalam pembangunan perisian mempersembahkan paradoks: walaupun pembantu pengekodan AI menunjukkan keupayaan yang mengagumkan untuk menjana kod yang berfungsi, mereka bergelut dengan cabaran holistik kejuruteraan perisian. Teknologi ini berfungsi sebagai penguat yang berkuasa untuk pemaju berpengalaman yang boleh memberikan panduan seni bina dan penilaian kritikal, tetapi ia masih kurang sebagai pengganti untuk kepakaran manusia dalam mereka bentuk sistem yang boleh diselenggara dan boleh diskalakan.
Apabila teknologi ini terus berkembang, pendekatan yang paling berjaya nampaknya adalah yang menganggap AI sebagai alat kolaboratif dan bukannya pemaju autonomi. Gabungan pemikiran seni bina manusia dengan kelajuan pelaksanaan AI mencipta sinergi yang berkuasa, tetapi cabaran asas reka bentuk perisian, pemikiran sistem, dan penyelenggaraan jangka panjang kekal dalam domain manusia untuk masa terdekat. Eksperimen berterusan komuniti pemadu dengan aliran kerja, pagar pelindung, dan amalan terbaik berkemungkinan akan membentuk bagaimana AI disepadukan ke dalam amalan kejuruteraan perisian pada tahun-tahun mendatang.
Rujukan: AI boleh mengekod, tetapi ia tidak boleh membina perisian