Programação com um Agente de IA

A inteligência artificial (IA) mudou fundamentalmente a forma como programamos. Agentes de IA podem gerar código, otimizar e até auxiliar na depuração. No entanto, existem algumas limitações que os programadores devem ter em mente ao trabalhar com IA.

Problemas de ordem e duplicação

Agentes de IA têm dificuldades com a ordem correta do código. Por exemplo, eles podem colocar inicializações no final de um arquivo, o que causa erros de tempo de execução. Além disso, a IA pode definir múltiplas versões da mesma classe ou função dentro de um projeto sem hesitar, levando a conflitos e confusão.

Uma plataforma de código com memória e estrutura de projeto ajuda

Uma solução para isso é o uso de plataformas de código de IA que podem gerenciar a memória e as estruturas do projeto. Isso ajuda a manter a consistência em projetos complexos. Infelizmente, esses recursos nem sempre são aplicados de forma consistente. Como resultado, pode acontecer de a IA perder a coesão de um projeto e introduzir duplicações indesejadas ou dependências incorretas durante a programação.

A maioria das plataformas de codificação de IA funciona com as chamadas ferramentas que podem invocar o modelo de linguagem grande (LLM). Essas ferramentas são baseadas em um protocolo padrão aberto (MCP). Portanto, é possível conectar um agente de codificação de IA a um IDE como o Visual Code. Opcionalmente, você pode configurar um LLM localmente com llama do Ollama e você escolhe um servidor MCP para integrar. A NetCare criou um servidor MCP para ajudar na depuração e no gerenciamento do sistema (linux) subjacente. Útil para quando você deseja colocar o código em produção imediatamente.
Modelos podem ser encontrados em huggingface.

Extensões de IDE são indispensáveis

Para gerenciar melhor o código gerado por IA, os desenvolvedores podem usar extensões de IDE que monitoram a correção do código. Ferramentas como linters, verificadores de tipo e ferramentas avançadas de análise de código ajudam a detectar e corrigir erros precocemente. Elas são um complemento essencial para o código gerado por IA para garantir qualidade e estabilidade.

A causa de erros repetitivos: contexto e função em APIs

Uma das principais razões pelas quais os agentes de IA continuam a repetir erros reside na forma como a IA interpreta as APIs. Modelos de IA precisam de contexto e uma descrição de função clara para gerar código eficaz. Isso significa que os prompts devem ser completos: eles não devem apenas conter os requisitos funcionais, mas também tornar explícito o resultado esperado e as condições de contorno. Para facilitar isso, você pode armazenar os prompts em formato padrão (MDC) e enviá-los automaticamente para a IA. Isso é especialmente útil para regras de programação genéricas que você usa, bem como os requisitos funcionais e técnicos e a estrutura do seu projeto.

Ferramentas como FAISS e LangChain ajudam

Produtos como FAISS e LangChain oferecem soluções para que a IA lide melhor com o contexto. O FAISS, por exemplo, ajuda na busca e recuperação eficientes de trechos de código relevantes, enquanto o LangChain auxilia na estruturação do código gerado por IA e na manutenção do contexto dentro de um projeto maior. Mas, mesmo aqui, você pode configurá-lo localmente com bancos de dados RAC, se desejar.

Conclusão: útil, mas ainda não autônomo

A IA é uma ferramenta poderosa para programadores e pode ajudar a acelerar os processos de desenvolvimento. No entanto, ela ainda não é realmente capaz de projetar e construir uma base de código mais complexa de forma independente, sem controle humano. Os programadores devem considerar a IA como um assistente que pode automatizar tarefas e gerar ideias, mas que ainda necessita de orientação e correção para alcançar um bom resultado.

Pegue contato para ajudar a configurar o ambiente de desenvolvimento, para ajudar as equipes a tirar o máximo proveito do ambiente de desenvolvimento e a se concentrarem mais na engenharia de requisitos e no design do que na depuração e na escrita de código.