Programmering med en AI-agent
Kunstig intelligens (AI) har fundamentalt ændret den måde, vi programmerer på. AI-agenter kan generere kode, optimere og endda hjælpe med debugging. Der er dog visse begrænsninger, som programmører skal være opmærksomme på, når de arbejder med AI.
Problemer med rækkefølge og duplikering
AI-agenter har svært ved at håndtere den korrekte rækkefølge af kode. De kan for eksempel placere initialiseringer i slutningen af en fil, hvilket forårsager runtime-fejl. Derudover kan AI uden tøven definere flere versioner af den samme klasse eller funktion inden for et projekt, hvilket fører til konflikter og forvirring.
En kodeplatform med hukommelse og projektstruktur hjælper
En løsning på dette er brugen af AI-kodeplatforme, der kan administrere hukommelse og projektstrukturer. Dette hjælper med at bevare konsistensen i komplekse projekter. Desværre anvendes disse funktioner ikke altid konsekvent. Dette kan resultere i, at AI'en mister projektets sammenhæng og introducerer uønsket duplikering eller ukorrekte afhængigheder under kodningen.
De fleste AI-kodningsplatforme arbejder med såkaldte værktøjer, som large language-modellen kan kalde. Disse værktøjer er baseret på en åben standardprotokol (MCP). Det er derfor også muligt at koble en AI-kodeagent til et IDE som Visual Code. Eventuelt kan du lokalt opsætte en LLM med llama eller ollama og vælge en MCP server til integration. Modeller kan findes på huggingface.
IDE-udvidelser er uundværlige
For bedre at kunne styre AI-genereret kode kan udviklere benytte sig af IDE-udvidelser, der overvåger kodenøjagtighed. Værktøjer som linters, type checkers og avancerede kodeanalyseværktøjer hjælper med at opdage og rette fejl tidligt. De udgør et essentielt supplement til AI-genereret kode for at sikre kvalitet og stabilitet.
Årsagen til gentagne fejl: kontekst og rolle i API'er
En af de primære årsager til, at AI-agenter fortsætter med at gentage fejl, ligger i den måde, AI fortolker API'er på. AI-modeller har brug for kontekst og en klar rollebeskrivelse for at generere effektiv kode. Det betyder, at prompts skal være komplette: de skal ikke kun indeholde de funktionelle krav, men også eksplicit angive det forventede resultat og randbetingelserne. For at lette dette kan du gemme prompts i standardformat (MDC) og automatisk inkludere dem i kaldet til AI'en. Dette er især nyttigt for generiske programmeringsregler, du anvender, samt de funktionelle og tekniske krav og strukturen i dit projekt.
Værktøjer som FAISS og LangChain hjælper
Produkter som FAISS og LangChain tilbyder løsninger til at hjælpe AI med bedre at håndtere kontekst. FAISS hjælper f.eks. med effektivt at søge og hente relevante kodefragmenter, mens LangChain hjælper med at strukturere AI-genereret kode og bevare konteksten i et større projekt. Men også her kan du eventuelt opsætte det lokalt med RAC-databaser.
Konklusion: nyttigt, men endnu ikke selvstændigt
AI er et kraftfuldt værktøj for programmører og kan hjælpe med at accelerere udviklingsprocesser. Ikke desto mindre er det endnu ikke i stand til selvstændigt at designe og bygge en mere kompleks kodebase uden menneskelig kontrol. Programmører bør betragte AI som en assistent, der kan automatisere opgaver og generere idéer, men som stadig kræver vejledning og korrektion for at opnå et godt resultat.
Kontakt os til at hjælpe med at opsætte udviklingsmiljøet, så teams kan få mest muligt ud af udviklingsmiljøet og fokusere mere på kravspecifikation og design end på debugging og kodning.
