การเพิ่มขึ้นของเครื่องมือเขียนโค้ดที่ขับเคลื่อนด้วย AI กำลังสร้างผลข้างเคียงที่ไม่คาดคิด นั่นคือนักพัฒนากำลังเขียนเอกสารมากกว่าที่เคยเป็นมา เมื่อโมเดลภาษาขนาดใหญ่ ( LLMs ) กลายเป็นศูนย์กลางของขั้นตอนการพัฒนาซอฟต์แวร์ โปรแกรมเมอร์พบว่าตนเองต้องใช้เวลาอย่างมากในการสร้างไฟล์บริบท ข้อกำหนดที่ละเอียด และเอกสารที่มีโครงสร้างเพื่อช่วยให้เครื่องมือ AI เข้าใจโปรเจกต์ของพวกเขาได้ดีขึ้น
การเปลี่ยนแปลงนี้แสดงถึงการเปลี่ยนแปลงพื้นฐานในวิธีที่นักพัฒนาเข้าหาการทำงานของพวกเขา แทนที่จะรีบเข้าสู่การเขียนโค้ดโดยตรง หลายคนกำลังลงทุนเวลาหลายชั่วโมงในการเขียนคำแนะนำที่ชัดเจน แนวทางโปรเจกต์ และเอกสารที่ครอบคลุมซึ่ง AI สามารถแยกวิเคราะห์ได้อย่างมีประสิทธิภาพ
 |
|---|
| ความสำคัญที่เพิ่มขึ้นของการเขียนเอกสารทางเทคนิคในการพัฒนา AI และการเปลี่ยนแปลงในแนวปฏิบัติของนักพัฒนาสู่การสร้างเอกสารที่มีรายละเอียด |
LLMs ยังไม่เข้าใจการเปลี่ยนแปลง API ล่าสุด
หนึ่งในความท้าทายที่ใหญ่ที่สุดที่เผชิญหน้ากับการพัฒนาที่ช่วยเหลือด้วย AI คือความไม่สามารถของโมเดลในการจัดการกับการอัปเดต API ล่าสุดและการเปลี่ยนแปลงที่ทำลาย นักพัฒนารายงานปัญหาที่สม่ำเสมอเมื่อทำงานกับไลบรารีที่มีการพัฒนาตั้งแต่วันที่ตัดข้อมูลการฝึกของโมเดล AI เฟรมเวิร์กยอดนิยมเช่น Angular , React และไลบรารี Python ใหม่ๆ มักได้รับคำแนะนำสำหรับวิธีการที่เลิกใช้แล้วหรือแนวทางปฏิบัติที่ล้าสมัย
การเปลี่ยนผ่านจาก Python 2 ไป Python 3 ซึ่งมีการจัดตั้งไว้อย่างดีในข้อมูลการฝึก ไม่ค่อยทำให้เกิดปัญหา อย่างไรก็ตาม การเปลี่ยนแปลงล่าสุดทำให้นักพัฒนาผิดหวังเนื่องจากเครื่องมือ AI แนะนำโค้ดที่ไม่ทำงานกับเวอร์ชันปัจจุบัน
API: Application Programming Interface - ชุดของกฎที่อนุญาตให้แอปพลิเคชันซอฟต์แวร์ต่างๆ สื่อสารกันได้
ปัญหาทั่วไปของ LLM กับ API ล่าสุด:
- Bazel: แนะนำโซลูชัน WORKSPACE ที่เลิกใช้แล้วแทนที่จะเป็น Bzlmod
- Dart/Flutter: แนะนำ Text.textScaleFactor ที่เลิกใช้แล้วและแนวทางปฏิบัติที่ล้าสมัย
- Google's genai client: ประสบปัญหากับการอัปเดตเมธอดตั้งแต่หลังจากช่วงเวลาการฝึกโมเดล
- MoviePy 2.x: ได้รับการฝึกหลักจาก v1.x ที่มีการเปลี่ยนแปลงแบบ breaking changes
- OpenTofu/IaC: ต้องการการเชื่อมต่อ MCP กับเอกสารประกอบเพื่อความแม่นยำ
เอกสารกลายเป็นคอขวดในการพัฒนา
ในขณะที่ผู้สนับสนุนโต้แย้งว่าเอกสารที่ดีกว่าเป็นประโยชน์ต่อทุกคน ความเป็นจริงในพื้นที่เล่าเรื่องที่แตกต่างออกไป นักพัฒนาหลายคนพบว่าตนเองติดอยู่ในความขัดแย้งของผลิตภาพ - ใช้เวลาเขียนเกี่ยวกับโค้ดมากกว่าการเขียนโค้ดจริงๆ
สิ่งที่เราพบว่าน่าสนใจ (การแฮ็กโค้ด) AI กำลังทำ และสิ่งที่เราเคยเกลียดทำ (การเขียนเอกสาร) เราทำตอนนี้
ความขัดแย้งนี้ไม่ได้หายไปจากชุมชนนักพัฒนา AI ควรจะจัดการกับงานที่น่าเบื่อเพื่อให้มนุษย์สามารถมุ่งเน้นไปที่งานสร้างสรรค์ แต่กลับกัน นักพัฒนาตอนนี้ใช้เวลาในการสร้างไฟล์บริบทที่ละเอียดและรักษาโครงสร้างเอกสารที่ซับซ้อนเพียงเพื่อให้เครื่องมือ AI ทำงานได้อย่างถูกต้อง
การเปลี่ยนแปลงการจัดสรรเวลาของนักพัฒนา:
- แบบดั้งเดิม: ใช้เวลาเขียนโค้ดมากกว่า ใช้เวลาเขียนเอกสารน้อยกว่า
- แบบใช้ AI ช่วย: ใช้เวลาเขียนเอกสาร/สร้างบริบทมากกว่า AI จัดการส่วนของการเขียนโค้ด
- ความขัดแย้งของประสิทธิภาพ: เครื่องมือที่ออกแบบมาเพื่อประหยัดเวลามักต้องการการลงทุนในการตั้งค่าเริ่มต้นอย่างมาก
- อัตราความสำเร็จ: ประมาณ 95% ของการเปลี่ยนแปลงทำงานได้ดี แต่ 5% ที่เหลืออาจใช้เวลาหลายวันในการแก้ไข
การแข่งขันหน้าต่างบริบท
เมื่อโมเดล AI โอ้อวดหน้าต่างบริบทที่ใหญ่ขึ้น - ปริมาณข้อมูลที่พวกเขาสามารถประมวลผลได้ในครั้งเดียว - นักพัฒนารู้สึกถูกกดดันให้ป้อนเอกสารให้พวกเขามากขึ้นเรื่อยๆ หน้าต่างบริบทหนึ่งล้านโทเค็นอาจฟังดูน่าประทับใจ แต่การเติมด้วยข้อมูลที่เกี่ยวข้องและแม่นยำต้องใช้ความพยายามของมนุษย์อย่างมาก
นักพัฒนาบางคนรายงานว่าเริ่มโปรเจกต์ใหม่ทั้งหมดหลังจากต่อสู้กับโค้ดที่สร้างโดย AI เป็นเวลาหลายชั่วโมงซึ่งไปในทางที่ผิด คำสัญญาของการพัฒนาอย่างรวดเร็วมักจะละลายไปสู่เซสชันการดีบักที่ยาวนานและรอบการปรับแต่งบริบท
การเปรียบเทียบ Context Window:
- 1 ล้าน tokens = นิยายชุด Lord of the Rings ทั้งหมด + The Hobbit + The Silmarillion
- Context windows ที่ใหญ่ขึ้นสร้างแรงกดดันให้ต้องจัดหาเอกสารประกอบมากขึ้น
- การมี context มากขึ้นไม่ได้หมายความว่าจะได้ผลลัพธ์ที่ดีขึ้นเสมอไป หากไม่มีการคัดสรรที่เหมาะสม
การตรวจสอบความเป็นจริงเกี่ยวกับการใช้งาน AI
แม้จะมีการอ้างอย่างกล้าหาญเกี่ยวกับการใช้งานอย่างแพร่หลายของแนวทางปฏิบัติเอกสารที่เหมาะสมกับ AI ความเป็นจริงดูเหมือนจะเจียมเนื้อเจียมตัวกว่า หลายคนในชุมชนการเขียนเทคนิคตั้งคำถามว่าองค์กรส่วนใหญ่กำลังนำกลยุทธ์การรวม AI ขั้นสูงเหล่านี้ไปใช้จริงหรือไม่ ช่องว่างระหว่างการโฆษณาและการนำไปใช้จริงยังคงมีนัยสำคัญ
สำหรับนักพัฒนาที่มีประสบการณ์ที่ทำงานกับฐานโค้ดขนาดใหญ่ที่มีการจัดตั้งไว้ เครื่องมือ AI มักให้ผลตอบแทนที่ลดลง ความซับซ้อนของระบบซอฟต์แวร์ในโลกแห่งความเป็นจริงทำให้ยากที่จะกลั่นบริบทที่มีความหมายที่ AI สามารถใช้ได้อย่างมีประสิทธิภาพโดยไม่มีคำแนะนำจากมนุษย์อย่างกว้างขวาง
สถานะปัจจุบันของการพัฒนาที่ช่วยเหลือด้วย AI ดูเหมือนจะทำงานได้ดีที่สุดสำหรับผู้มาใหม่ที่สร้างโปรเจกต์ง่ายๆ หรือการพิสูจน์แนวคิด ซึ่งความแม่นยำและการปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดมีความสำคัญน้อยกว่าการทำให้บางสิ่งทำงานได้อย่างรวดเร็ว สำหรับงานการผลิตที่จริงจัง คณะลูกขุนยังคงตัดสินใจว่าค่าใช้จ่ายในการจัดทำเอกสารนั้นสมเหตุสมผลกับผลิตภาพที่อาจเพิ่มขึ้นหรือไม่
อ้างอิง: # Al must RTFM: Why technical writers are becoming context curators