آشکارسازهای بوی کد برای عاملان هوش مصنوعی: مصاحبه با اینو ریس از فکتوری
کیفیت کد برای نرمافزار با کیفیت، چه با عاملان هوش مصنوعی و چه بدون آنها، موضوعی حیاتی است. فکتوری بر این باور است که باید سیگنالهای کیفیت را در پروسه کدنویسی تعبیه کرد.
بوی کد و کیفیت نرمافزار در عصر عاملان هوش مصنوعی
مصاحبه با اینو ریس، همبنیانگذار و مدیر ارشد فناوری Factory، بر اهمیت حفظ کیفیت کد، حتی با وجود پیشرفت چشمگیر عاملان کدنویسی مبتنی بر هوش مصنوعی، تمرکز دارد. ریس تأکید میکند که علیرغم ادعای ابزارهای جدید مبنی بر سرعت بخشیدن به توسعه، حجم زیادی از کد نامرغوب (Slop Code) تولید میشود که نیازمند اصلاح دستی است. Factory با ساخت یک پلتفرم که شامل یک عامل کدنویسی پیشرو است، تلاش میکند تا کیفیت کد را از ابتدا در فرآیند توسعه تعبیه کند و ابزارهایی برای تجزیه و تحلیل کیفیت کد و تأثیر عاملان ارائه میدهد.
یکی از تمایزات پلتفرم Factory در این است که عامل آنها مدل-آگنوستیک (Model Agnostic) است و میتواند در هر محیط، سیستمعامل یا IDE مستقر شود. برخلاف ابزارهای دیگر که کاربران را ملزم به استفاده از یک LLM خاص یا تغییر IDE میکنند، Factory زمان زیادی را صرف مهندسی هارنس (Harness Engineering) کرده است؛ فرآیندی که ریس آن را متمایز کننده میداند. این مهندسی شامل مدیریت محدودیتهای زمینه (Context Limits) برای وظایف طولانیمدت، تزریق اطلاعات محیطی، و هندل کردن فراخوانیهای ابزار (Tool Calls) است. این فرایند شامل صدها بهینهسازی کوچک است که به صورت سیستمی بهبود مییابد و حتی عاملان خودشان برای بهینهسازی این هارنسها به کار گرفته میشوند.
- تعریف کیفیت کد: ریس اشاره میکند که سیگنالهای متعددی برای سنجش کیفیت وجود دارد، از جمله کامپایل شدن، لایکت شدن کد، موفقیت تستها و وجود مستندات توضیحی. او معتقد است که بسیاری از سازمانها این سیگنالها را به طور کامل پیادهسازی نکردهاند.
- ابزارهای مورد نیاز عاملان: برای اجرای خودمختار، عاملان هوش مصنوعی نیازمند دسترسی به ابزارهای سنتی مانند لینترها، کنترلکنندههای نوع ثابت، تستها، و اسکنرهای امنیتی (مانند Snyk) هستند تا بتوانند بازخورد سبز/قرمز یا نمرهدهی دریافت کنند.
- مقیاسپذیری و بازخورد: در مقایسه با انسانها که توسط همکاران ارشد راهنمایی میشوند، عاملان نیاز به سیگنالهای خودکار برای مقیاسپذیری دارند. اگر عاملانی مانند Droid (عامل کدنویسی خودمختار Factory) سیگنالهای از دست رفته را پیدا کنند، تیم میتواند با تصمیمگیری درباره نحوه استفاده از لینترها، چرخه بازخورد را تسریع کند.
- سیستمسازی بوی کد: ریس تأیید میکند که میتوان بوی کد را به صورت خودکار سیستمی کرد. عاملان میتوانند در فرآیندهایی مانند بازبینی کد، پاسخ به حادثه و مستندسازی ادغام شوند و به عنوان وظایف خودکار عمل کنند، حتی اگر بخشی از آن نیازمند تفاسیر «مبهم» باشد که قبلاً به انسان نیاز داشت.
- تأثیر عاملان بر بهرهوری: تحقیقات نشان داده است که کیفیت کد اولیه، تنها عاملی است که با افزایش بهرهوری در سازمانهایی که از هوش مصنوعی استفاده میکنند، همبستگی دارد. کد با کیفیت بالا، باعث شتاب گرفتن نتایج هوش مصنوعی میشود، در حالی که استانداردهای ضعیف میتواند منجر به شود.

