Профессиональный AI Driven Development - как я это внедрял и что из этого получилось...
ฝัง
- เผยแพร่เมื่อ 10 ธ.ค. 2024
- Присоединяйтесь к сообществу Solenopsys в телеграмм: t.me/solenopsys
Искусственный Интеллект в Разработке Solenopsys (AIDDS)
Разработка с активным использованием ИИ для платформы Solenopsys.
Цели:
Оптимизация разработки: Достичь соотношения 80/20, где 80% кода генерируется ИИ, а 20% - разработчиками.
Методология ИИ: Создать эффективную методологию использования ИИ в сообществе.
Интеграция ИИ: Внедрить ИИ-инструменты в платформу с доступом через визуальный интерфейс.
Критерии успеха:
Повышенная производительность: Один специалист достигает продуктивности команды из пяти человек.
Широкое применение: Методология активно используется большинством сообщества.
Доступность инструментов: ИИ-инструменты интегрированы и доступны всем участникам.
Ограничения:
Этот подход предназначен для уровней Lead и Architect Developer; эффективность может варьироваться на других уровнях. Система действует как тимлид, где ИИ выполняет роли от экспертов до разработчиков.
Применение ИИ:
R&D: Расширение знаний, поиск эффективных технологий, оценка подходов с помощью ИИ.
Архитектура: Применение паттернов, генерация интерфейсов и модулей, автоматизация документации.
Качество: Генерация тестов, автоматическое обнаружение и исправление ошибок, интеграция в CI/CD.
Кодирование: Автоматическая генерация и оптимизация кода, соблюдение стандартов.
Методология:
Концепция: Генерация и проверка новых идей с помощью ИИ.
Макроархитектура: Разделение проекта на крупные части.
Прототипирование: Быстрое создание прототипов.
Паттерны: Поиск и применение архитектурных паттернов.
TDD: Генерация тестов перед кодом.
Модульность: Разбиение системы на небольшие модули.
Цикл "MVP-Улучшение": Итеративная разработка с последующими улучшениями.
Дополнительные возможности ИИ:
Персонализированное обучение: Индивидуальные рекомендации и материалы.
Анализ данных: Поддержка принятия решений.
Коммуникация: Автоматизация рутинных задач и отчетности.
Мои впечатления о ChatGPT и Claude (иногда я юзуаю Mistral и Groq обычно когда выхожу за лимиты платных)
ChatGPT очень хорош для R&D, то есть для изучения возможностей, например, ядра Linux, или для поиска библиотек и фреймворков под конкретную задачу. Он отлично оценивает производительность и задержки, например, при передаче пакетов по сети. Также ChatGPT очень хорошо справляется с написанием текстов и переводом на любые языки.
Для генерации кода ChatGPT уступает Claude.
У ChatGPT устаревшая база данных с отставанием минимум на год.
Claude гораздо реже ошибается и невероятно хорошо генерирует прототипы. Кроме того, он отлично справляется с рефакторингом.
ChatGPT пишет код хуже: делает рефакторинг менее качественно и плохо справляется с пониманием версий, часто создавая путаницу в коде.
Еще одна проблема ChatGPT - это частые выдумки (галлюцинации), когда он придумывает несуществующие функции.
Claude, в свою очередь, практически бесполезен в текстах. Он слабее даже Mistral в этой области. Вместо качественного текста он генерирует бесконечные списки, которые невозможно читать. Claude воспринимает всё как техническое задание.
В общем, если задача заключается в генерации кода, то лучше модели, чем Claude, я пока не встречал. Он несколько раз шокировал меня своими результатами.
DeepSeek слабая, даже не понимает точно заданный вопрос и шаблонные ответы дает. Слабже даже мистраля.
Очень интересно. Спасибо, что поделились опытом!
Вам спасибо, за поддержку.
Спасибо большое за глубокий эксперимент и подробный рассказ!
Вам спасибо за поддержку!
Тоже примерно те же мысли были, через ии сделать сперва задание, потом тесты, потом реализацию. И опыт примерно такой же, руками очень много потом доделывать. Автокомплит кусков кода и создание какого-то первоначального наброска проекта - это основное, что оно хорошо умеет.
Из самого интересного, что могу посоветовать - aider, отличная штука для создания набросков. Лучше курсора, на мой взгляд.
Попробую Aider, спасибо! Но есть одна неприятная особенность при генерации кода. Она заключается в том, что сначала ты генерируешь код, потом просишь сделать рефакторинг. Всё вроде бы нормально, но остаётся множество мелких косяков, которые разбросаны по всему коду. И вот что с ними делать, не совсем понятно, потому что эти системы могут за один раз переписать всё, и тогда появляется уже новый набор косяков. Это приводит к ступору, после которого приходится дорабатывать код вручную. Самая большая проблема в том, что эти косяки разбросаны не в одной точке кода, а повсюду.
Вообще проблема есть в доверии, нет к этому коду доверия и это снижает продуктивность.
что я хотел ааа ээээ. ну то есть что я хотел ааа эээ. ну сделать эм-ви-пи, то есть что я хотел ааааа. Ты сначала текст придумай, потому лабуду всякую рассказывай
Покажешь мастер класс?