Ինչպես գտա իմ ճանապարհը դեպի Agentic Coding
AI գործիքների և նորությունների հսկայական քանակը կարող է ճնշող լինել։ Այդուհանդերձ, եթե ուզում ենք մնալ առաջատար, մեզանից յուրաքանչյուրը պետք է շարունակի աճել, փորձարկել նոր գործիքներ և փորձեր անել։ Մարդիկ ժամանակին ծիծաղում էին IDE օգտագործողների վրա. կարևորը լավ, արագ խմբագրիչն էր, բայց աշխարհը առաջ է գնացել, և IDE-ն այլևս շքեղություն չէ։
Ես AI-ով հետաքրքրվեցի բավականին վաղ։ Հիշում եմ, որ 2016-ին մասնակցել էի Բելգրադի մի կոնֆերանսի, որտեղ չատբոտերը և այն, թե ինչպես են դրանք փոխելու աշխարհը, թեժ թեմա էին։
Հենց այնտեղ առաջին անգամ լսեցի IBM-ի Watson-ի մասին. այն առաջին AI գործիքներից մեկն էր, թեև այն ժամանակ ոչ ոք դրանք այդպես չէր անվանում։
Առաջին քայլերը
Հիշում եմ Watson-ը մեր ընկերության բոտին միացնելու իմ առաջին փորձերը՝ հաղորդակցությունը լավացնելու համար։ Դրանք անշնորհք փորձեր էին AI-ը իմ նպատակներին ենթարկելու, և քանի որ ես ML ինժեներ չեմ, շատ հասկացություններ պարզապես իմ հասողությունից վեր էին։ Սա բոլորի համար համակարգ չէր. այն օգտագործելու համար անհրաժեշտ էր ML-ի որոշակի իմացություն։
Հիշում եմ, թե որքան ապշեցի այն բանից, թե ինչ կարող է անել AI-ը, երբ թողարկվեց ChatGPT-ը։ Կասկածում եմ, որ ես միակը չէի, ով հիացած էր AI-ի ուժով։ Watson-ից ChatGPT անցնելը նման էր մի հին մեքենան մի փոքր ավելի լավ հին մեքենայով փոխելուն։
ChatGPT-ն պարզապես աշխատում էր. ինչ-որ բան հարցնում էիր և ստանում պատասխան՝ առանց բարդ ծրագրավորման հնարքների. գործիք բոլորի համար։
Անմիջապես այն միացրի մեր ընկերության բոտին՝ նրան «խելացի» դարձնելու համար։ Ինտեգրացիան հիանալի աշխատանք էր կատարում առօրյա խոսակցություններում։ Կարելի էր հարցեր տալ ուղղակի մեր Slack-ից և բոտի հետ զրուցել թրեդում, և մարդիկ դեռ այսօր էլ դա անում են։
Այնուամենայնիվ, ինձ պակասում էր համատեքստային գիտելիքը այն մասին, թե ինչ կարող է անել հենց բոտը. իսկ այն ունի բավականին շատ գործառույթներ, որոնք աջակցում են մեր ընկերության աշխատանքին։ ChatGPT-ն այնպես հարմարեցնելը, որ նա ավելի լավ հասկանար, թե ինչպես է աշխատում մեր ընկերությունը, նույնքան դժվար էր, որքան Watson-ի դեպքում։
Այդուհանդերձ, ես ապշած էի ChatGPT-ի՝ կոդ գեներացնելու հնարավորությունից (այն ժամանակ դեռ չատի պատուհանի ներսում) և այն բանից, թե որքան լավ էր այն բացատրում կոդի նրբությունները, հատկապես այն լեզվով, որը չգիտեի (այն ժամանակ սովորում էի TypeScript)։
Բնականաբար, շուտով նկատեցի, որ AI-ը սխալվում է կամ, ինչպես այսօր ասում են, հալյուցինացնում է։ IDE-ի խմբագրիչում տեղադրելուց հետո գեներացված կոդը հաճախ պարզվում էր, որ սխալներ ունի, չի կոմպիլյացվում և այլն։ Այդպես ես վերադառնում էի չատի պատուհան և ջանասիրաբար փորձում աշխատող արդյունք ստանալ՝ կոդի մեկ տարբերակը մյուսի հետևից պատճենելով խմբագրիչ և ստուգելով՝ աշխատո՞ւմ է։
Այն բացահայտումը, որ ChatGPT-ն կարող է Python կոդ գրել և կատարել, ինձ համար հայտնություն էր։ Այն թույլ տվեց ավելի արագ աշխատել. ես լուծումը գեներացնում էի Python-ով, փորձարկում ChatGPT-ի կողմում, ապա AI-ին թարգմանել էի տալիս TypeScript-ի. և, ինչպես կարող եք կռահել, դա այնքան էլ լավ չէր աշխատում։ Բայց դա թույլ էր տալիս ավելի արագ փորձարկել, թե ինչն է աշխատում և ինչը՝ ոչ, և եթե հիշողությունս չի դավաճանում, այս հնարավորությունը դեռ կա։
AI-ի աջակցությամբ կոդավորում
Ամենամեծ հուզմունքը հավանաբար եկավ, երբ Copilot-ը թողարկեց IntelliJ IDEA-ի plugin, որը AI-ը բերեց անմիջապես IDE՝ և՛ որպես չատ, և՛ որպես կոդի ավարտում։ Արտադրողականության թռիչքը զարմանալի էր՝ ինչպես լավ գինու։
Մի քանի սեղմում բավական էր տասնյակ տողեր կոդ ստանալու համար։ Ամբողջական ֆունկցիաներ և դասեր հայտնվում էին կարծես կախարդանքով՝ հազարավոր տողեր րոպեների ընթացքում, գեներացված unit թեստերի հետ, որոնք ստուգում էին ամեն ինչ։ AI-ով գերլիցքավորվելու զգացումը աճում էր. թվում էր՝ ամեն ինչ հնարավոր է։
Սակայն իրականությունը արագ հասավ ինձ և թողեց տհաճ գլխացավով…
Գեներացված կոդը լավ որակի էր, բայց նրա իրականացումը շատ միամիտ էր, երբ խնդիրը բարդանում էր։ AI-ը հակված էր խրվել կոդում արդեն եղածի «կրկնության օղակներում», նոր ֆունկցիաները իրականում առկաների պատճենները էին, և «Tab»-ը չափազանց եռանդուն սեղմելը նշանակում էր երկար րոպեներ ծախսել ավելորդ կամ կրկնօրինակված հատվածներ ձանձրալիորեն հեռացնելու վրա։ Արտադրողականությունը արագ ընկավ։ Վերջում ես անջատեցի այս հնարավորությունը, քանի որ այն ինձ ավելի շատ շեղում էր, քան օգնում էր լավ կոդ գրել։
AI հմտություններ կառուցելու իմ հաջորդ քայլը Claude Code-ն էր։ Այն կոդի գեներացման մեջ ևս մեկ կարևոր նշաձող դարձավ։ AI-ն այլևս միամտորեն չէր առաջարկում կոդի հատվածներ կամ իմ prompt-ից կոդի կտորներ արտադրում։ Կարելի էր նկարագրել խնդիրը, տալ նրան համատեքստ (օրինակ՝ դասը պարունակող կոնկրետ ֆայլ) կամ ցույց տալ, թե որտեղից պետք է «ոգեշնչում» վերցնի։
Claude Code-ը ժամանակ էր տրամադրում TODO ցուցակներ պատրաստելու համար. այն հայտնի TODO-ները, որոնք այլ մատակարարները հետագայում պատճենեցին։ Առաջադրանքների ցուցակը ձեռքին՝ այն կանգ էր առնում և հարցնում՝ սա՞ է իմ ուզածը և արդյոք առաջարկը համապատասխանում է իմ պահանջներին։ Դա զարմանալի էր, քանի որ տալիս էր AI-ի արտադրածի վրա վերահսկողության զգացում։ Վերջապես դա պատահական կոդ չէր, ցանված ամենուր, այլ իսկական գործողությունների պլան, որը շատ նման էր մեր առօրյա աշխատանքին՝ առաջադրանքներ պլանավորելը sprint-ում կամ backlog-ում։
Բայց նույնիսկ այստեղ ես բախվեցի prompt-ավորման «պատին»։ Ավելի մեծ ֆիչա ավարտելու համար նախորդ սեսիաները շարունակելը գնալով ավելի քիչ արդյունավետ էր դառնում։ Համատեքստում կուտակվող ողջ տեղեկատվությունը AI-ին ստիպում էր «թափառել», և ինձ համար նույնպես դժվար էր ասել, թե այդ պահին իրականում ինչ ենք կառուցում և պլանի որ կետում ենք. պարզ ասած՝ մենք «կորել էինք անտառում», ինչպես ասում են։ Prompt-ավորումը պարզապես չէր բավականացնում ավելի բարդ խնդիրների համար։
Համատեքստն ամեն ինչ է
Հասկանալը, թե ինչպես է աշխատում AI-ը, կամ ավելի ճիշտ՝ ինչ prompt-եր է գեներացնում agent-ը նախքան մենք մերը գրելը, էական է գործիքի վարքը ուղղորդել իմանալու համար։ Մեր prompt-ը ընդամենը մի մասն է այն ամենի, ինչ agent-ն արդեն կարգավորել է։ Սա պարզ երևում է Claude Code-ի /context հրամանով.
Ես ոչ մի բառ չեմ գրել, բայց համատեքստն արդեն 40%-ով լցված է. հատկապես խորհուրդ եմ տալիս նայել System prompt-ը և System tools-ը, որոնք մեր վերահսկողությունից դուրս են։ Իսկ MCP սերվերները և subagent-ները, ընդհակառակը, մենք կարող ենք ինքներս սահմանել և վերահսկել։
Նույն կերպ, ինչ գնում է CLAUDE.md ֆայլի մեջ, ամբողջովին մեր ձեռքում է։ Տարբեր agent-ների system prompt-երը կարելի է գտնել առցանց, և խորհուրդ եմ տալիս ծանոթանալ դրանց՝ տեսնելու, թե ինչպես կարող են մեր prompt-երը ձևավորել AI-ի վարքը։ Եվ հիշեք, որ AI-ը դետերմինիստական չէ. նրա աշխատանքում միշտ որոշ պատահականություն կա։
Այս գիտելիքով ես սկսեցի ավելի շատ ժամանակ ներդնել ճիշտ prompt-ի ձևակերպման մեջ, հատկապես երբ առաջադրանքը պահանջում էր մի քանի ֆունկցիայից և unit թեստից ավելի։ Ավելի ու ավելի հաճախ իմ prompt-երը սկսվում էին պլան խնդրելով և այն ճշգրտելով, նախքան Agent-ին կոդ գրել թույլ տալը։ Ես մանրամասնում էի պահանջները՝ ինչ է ինձ պետք և ինչը կարելի է թողնել։
AI-ին ասելը, թե ինչ չի պետք, նույնքան կարևոր է. AI-ը չափազանց լավ է պահանջներից «հեռանալու» մեջ։ Իրականացման պլան, միգրացիայի պլան, գնահատականներ չգոյություն ունեցող թիմի համար. AI-ը այս ամենը կստեղծի, եթե չարգելեք։ Դրանք նույնիսկ խնդրելու կարիք չկա. դրանք պարզապես կհայտնվեն ձեր այլապես կատարյալ պլանում և կփչացնեն այն, քանի որ դրանք «աղբ» են, որը անիմաստ կերպով «շեղում է» AI-ին ամենակարևորից։
Պլանները կարևոր են, բայց պլանին հետևելն ավելի կարևոր է
Վերևի վերնագիրը գրեթե ամեն ինչ ասում է։ Երբ պլանը պատրաստ էր, ես այն տալիս էի AI-ին իրականացնելու. պլանով, անշուշտ, նա կհավատարիմ մնար դրան և «չէր կորի»։ Վստահ էի, որ այս պահին մեքենան իր աշխատանքը կկատարի իրեն տրված ծրագրի համաձայն, քանի որ այդպես էի տեսնում պլանը։
Նշե՞լ եմ, որ AI-ը դետերմինիստական չէ։ Մեկ անգամ ևս կասեմ. չէ, և նույնիսկ լավագույն պլանը կարող է աղավաղվել՝ կարևոր մասերը բաց թողնվելով։ Ինչո՞ւ։ Համատեքստի պատճառով. մեր պլանը ընկնում է համատեքստ և ավելանում է արդեն եղածին, ինչպիսին System prompt-ն է և մնացածը։
Ժամանակի ընթացքում AI-ի սեփական պատասխանները նույնպես կուտակվում են համատեքստում. կոդի հատվածներ, վեբ որոնումներ, փաստաթղթեր պարունակող պատասխաններ։ Հազարավոր տողեր տեքստ՝ մեր պլանի հետ քիչ կապով։ Պլանը նոսրանում է agent-ի արտադրած «աղմուկից»։ Այս ամբողջ աղմուկը AI-ին ստիպում է դադարել «հասկանալ», թե ինչն է կարևոր։ Կանգնելն ու համատեքստը մաքրելն էլ չի օգնում, քանի որ երբ նորից սկսում ենք պլանով, նոր «աղմուկ» է գեներացվում, և քանի որ այն տարբերվում է նախորդից, արդյունքներն էլ են տարբերվում. զուտ «քաոս»։
Աշխատեց իրականացումը փուլերի բաժանելը։ Դրա համար, սակայն, հենց պլանին անհրաժեշտ էին քայլեր, որոնք նկարագրում էին՝ ինչ իրականացնել և ինչ հերթականությամբ։ Փուլերի բաժանված պլան պատրաստելու համար ես պետք է ճիշտ նեղացնեի շրջանակը և կտրեի ամեն ավելորդը։ Պլանում ինչի մեջ մտնելը և AI-ը ինչի վրա պետք է կենտրոնանա սահմանափակելը նույնքան կարևոր է, որքան պահանջները ճշգրիտ նկարագրելը։
Բացահայտ ասելով, որ ինձ պետք չեն ժամանակի գնահատականներ իմ թիմի համար, AWS ենթակառուցվածքի ծախսեր կամ տեղակայման և միգրացիայի պլաններ, ես կարողացա պլանը կրճատել այնպես, որ այն կենտրոնանար միայն կոդավորման վրա։
Այս օրերին Spec-Driven Development-ի մասին ավելի ու ավելի են խոսում և գրում։ Սա, իհարկե, նոր գաղափար չէ, բայց AI-ի հետ աշխատելիս այն չափազանց կարևոր է։ Հակիրճ PRD փաստաթուղթ գրելը և դրանից տեխնիկական սպեցիֆիկացիա ածանցելը շատ ավելի լավ արդյունքներ է տալիս, քան պարզապես լավ prompt գրելը։
Գործիքների մատակարարներն էլ են դա նկատել՝ առաջ մղելով այս մոտեցումը կամ առաջարկելով այնպիսի գործիքներ, ինչպիսիք են Spec Kit-ը կամ OpenSpec-ը։ Մենք հստակ հրահանգներ ենք գրում AI-ի համար և միաժամանակ փաստաթղթավորում ենք մեր նախագիծը։ Երկար չի անցնի, մինչև ADR-ը նույնպես ստեղծվի այս եղանակով, որպեսզի AI-ը հեշտությամբ կարողանա այն «մարսել»։
Բնականաբար, այս մոտեցումը լավագույնս աշխատում է greenfield նախագծերի համար, բայց Spec-Driven Development-ը կարելի է կիրառել նաև brownfield նախագծերում՝ իրական օգուտներով. այն գերազանցում է մեր prompt-երն անվերջ հղկելը։
Շարունակական զարգացում
Այս եզրակացությունների մեծ մասին ես հանգեցի հիմնականում փորձ ու սխալի միջոցով՝ նախագծերում փորձարկելով տարբեր տեխնիկաներ և իմ գաղափարները ստուգելով ընկերությունում մյուսների գաղափարների հետ։
Շատ ավելի լավ կլիներ անմիջապես սովորել այն մարդկանցից, ովքեր արդեն հանդիպել էին այս խնդիրներին և պատրաստի պատասխաններ ունեին։ Ուսուցողական դասընթացներն ակնհայտ լուծում են, բայց շուկայում ներկայումս հազարավոր AI-ի հետ կապված դասընթացներ կան, և մեր կարիքներին համապատասխանողն ընտրելը դժվար է։
Ես բախտավոր եմ աշխատել ընկերությունում, որը մեծ շեշտ է դնում աճի վրա և խրախուսում է մարդկանց մասնակցել ուսուցումների։ Դրան գումարած՝ Scala-ի երկու փորձագետ այս տարվա Scala Days-ում անցկացրին Efficient Programming in Scala with Friendly Agents վորքշոփը։
Հետագայում նրանք նույն վորքշոփն անցկացրին ներքին՝ մեր մայր ընկերության և մեր ընկերության մարդկանց համար։ Եթե պետք լիներ մեկ նախադասությամբ ամփոփել այն, ինչ այնտեղ սովորեցի, դա այն ամենն էր, ինչ ես ինքնուրույն հասկացել էի վերջին 6 ամսվա ընթացքում և նկարագրել վերևի պարբերություններում։
Վորքշոփը կենտրոնացած էր AI գործիքների գործնական օգտագործման վրա Scala ծրագրավորողի առօրյա աշխատանքում։ Մենք անցանք ավտոմատացման, սկրիպտների, prompt-եր գրելու և agent-ներն ու կոդ գրելուն և ռեֆակտորինգին աջակցող տարբեր գործիքները խելամիտ օգտագործելու թեմաներով։
Մենք նաև խոսեցինք այն մասին, թե ինչ կարող են իրականում անել մեծ լեզվական մոդելները և ինչպես են դրանք ազդում ծրագրավորողի աշխատանքի վրա՝ ցույց տալով, թե ինչպես խուսափել AI-ի մասին տարածված առասպելներին հավատալուց։ Միասին փորձարկեցինք AI աշխատանքային հոսքեր, ինտեգրված գործիքներ և նույնիսկ փորձեցինք ավտոմատացնել ավելի մեծ Scala նախագծերի միգրացիաները՝ ամեն ինչ փորձարկման և գիտելիքի փոխանակման ոգով։ Այնտեղ անցկացրած 2x 8 ժամը շատ լավ ներդրված էր։ Եթե հնարավորություն ունենաք մասնակցել այս վորքշոփին, խորհուրդ եմ տալիս։
Ուսուցման մեկ այլ տեսակ է AI-ի աջակցությամբ մշակման առցանց դասընթացը. սա նրա երկրորդ թողարկումն է, և առաջինը շատ լավ կարծիքներ ստացավ։ Ես հիմա դասընթացի կեսին եմ, և արդեն դժվար է ասել, թե որքան եմ սովորել։
Այդուհանդերձ, այն նյութի շրջանակը, որով անցնում ենք, և յուրաքանչյուր նոր մասի ներածությունները սերտորեն համընկնում են իմ սեփական փորձի հետ և շատ հաճախ խորացնում են իմ գիտելիքը այն ոլորտներում, որոնք կարծում էի՝ արդեն լավ գիտեմ։ Մեծ շեշտ է դրվում լավ prompt-եր գրելու (prompt engineering) և AI-ի համար պլաններ պատրաստելու վրա։
Ամփոփում
AI-ն այսօր ավելի արագ է զարգանում, քան JavaScript էկոհամակարգը այն ժամանակ, երբ ամեն շաբաթ նոր ֆրեյմվորք կամ գրադարան էր հայտնվում։ Հենց հիմա շուկա մտնող բոլոր գործիքներին հետևելը դժվար է։ Եվ քանի որ խոշոր խաղացողների առաջարկած LLM մոդելները հասանելի են բոլորին, յուրաքանչյուրը կարող է կառուցել ամեն տեսակի գործիքներ։
AI-ը ծրագրավորողի աշխատանքում օգտագործելու նոր գաղափարներ և մոտեցումներ անընդհատ ի հայտ են գալիս։ Եվ սա միայն իմ սեփական «պղպջակն» է, որը ձևավորված է գործընկեր ծրագրավորողներով. նույն առաջընթացը տեղի է ունենում ամեն ոլորտում՝ տեքստի և պատկերների գեներացումից մինչև լիամետրաժ ֆիլմերի արտադրություն։
AI գործիքների և նորությունների հսկայական քանակը կարող է ճնշող լինել։ Այդուհանդերձ, եթե ուզում ենք մնալ առաջատար, մեզանից յուրաքանչյուրը պետք է շարունակի աճել, փորձարկել նոր գործիքներ և փորձեր անել։ Մարդիկ ժամանակին ծիծաղում էին IDE օգտագործողների վրա. կարևորը լավ, արագ խմբագրիչն էր, բայց աշխարհը առաջ է գնացել, և IDE-ն այլևս շքեղություն չէ։
AI-ը մեր աշխատանքում որպես ծրագրավորողներ նույն ճանապարհով կգնա. այն ոչ թե պարզապես «զանգակներ ու սուլիչներ» է (թեև դրա մի մասն այդպես է թվում), այլ գործիք, որը շարունակում է զարգանալ։