การเปิดตัว Sniffly แดชบอร์ดวิเคราะห์ใหม่สำหรับการใช้งาน Claude Code ได้จุดประกายการถกเถียงอย่างเข้มข้นเกี่ยวกับคุณภาพและความสม่ำเสมอของโค้ดที่สร้างโดย AI ในขณะที่เครื่องมือนี้สัญญาว่าจะช่วยให้นักพัฒนาติดตามรูปแบบการเขียนโค้ด AI และต้นทุนของพวกเขา แต่กลับกลายเป็นจุดสนใจสำหรับความกังวลในวงกว้างเกี่ยวกับสถานะของการพัฒนาซอฟต์แวร์สมัยใหม่
เมตริกการวิเคราะห์ของ Sniffly Analytics
- ใช้คำสั่งไป 1746 คำสั่ง
- อัตราการขัดจังหวะ 24.5%
- หยุดเฉลี่ย 6.91 ครั้งต่อคำสั่ง
- อัตราการใช้เครื่องมือ 82%
- ค่าใช้จ่ายโครงการ $4,310.33 USD
- อ่านข้อมูลแคชพรอมต์ 1912.7M ครั้ง
การเพิ่มขึ้นของ Vibe Coding และนักวิจารณ์
ชุมชนนักพัฒนากำลังต่อสู้กับสิ่งที่บางคนเรียกว่า vibe coding - การปฏิบัติของการใช้ AI เพื่อสร้างโค้ดอย่างรวดเร็วโดยไม่มีการตรวจสอบอย่างละเอียด นักวิจารณ์โต้แย้งว่าแนวทางนี้กำลังทำให้อินเทอร์เน็ตเต็มไปด้วยโค้ดที่ปานกลางและสม่ำเสมอซึ่งขาดความคิดสร้างสรรค์และฝีมือของซอฟต์แวร์ที่เขียนโดยมนุษย์ พวกเขาชี้ไปที่โครงสร้างประโยคที่เหมือนกันในเอกสาร การใช้อีโมจิมากเกินไป และความจืดชืดทั่วไปที่ทำให้โครงการต่างๆ ยากต่อการประเมินในการมองครั้งแรก
ความกังวลขยายไปเกินกว่าความสวยงาม นักพัฒนารายงานว่าโครงการที่ดูเรียบร้อยพร้อมกับการอ้างสิทธิ์ที่น่าเชื่อมักซ่อนโค้ดที่ทำงานได้ไม่ดีไว้ข้างใน สิ่งนี้สร้างความท้าทายใหม่: สัญญาณแบบดั้งเดิมสำหรับการประเมินคุณภาพโครงการไม่สามารถทำงานได้อย่างน่าเชื่อถืออีกต่อไป
 |
|---|
| แผนภูมิวงกลมนี้แสดงการกระจายตัวของข้อผิดพลาดในการเขียนโค้ดประเภทต่างๆ เน้นย้ำถึงความท้าทายที่เผชิญในการพัฒนาซอฟต์แวร์สมัยใหม่ |
การปกป้องการพัฒนาที่ช่วยเหลือโดย AI
ผู้สนับสนุนเครื่องมือเขียนโค้ด AI โต้แย้งว่าเทคโนโลยีนี้ทำให้การพัฒนาซอฟต์แวร์เป็นประชาธิปไตย ทำให้คนทั่วไปแก้ปัญหาส่วนตัวด้วยโค้ดได้ง่ายขึ้น พวกเขาโต้แย้งว่านักพัฒนาที่ดีจะรักษามาตรฐานของพวกเขาไว้โดยไม่คำนึงถึงเครื่องมือที่ใช้ ในขณะที่ผู้ที่เขียนโค้ดไม่ดีจะยังคงทำเช่นนั้นต่อไปไม่ว่าจะมี AI ช่วยเหลือหรือไม่
นักพัฒนาที่มีข้อกำหนดเข้มงวดเกี่ยวกับโค้ดที่พวกเขา 'ผลิต' จะทำให้ LLM เข้ากับข้อกำหนดของพวกเขาเมื่อจำเป็น และนักพัฒนา 'ที่ไม่ระมัดระวัง' จะยังคงเผยแพร่โค้ดสปาเก็ตตี้ต่อไป โดยไม่คำนึงถึงการมีอยู่ของ LLMs
กุญแจสำคัญตามผู้สนับสนุนอยู่ที่การใช้งานที่เหมาะสม: การใช้ AI สำหรับงานที่เหมาะสมเช่นส่วนประกอบที่มีการพึ่งพาน้อยแทนที่จะเป็นโครงสร้างพื้นฐานหลัก การรักษาแนวปฏิบัติการทดสอบที่เข้มงวด และการปฏิบัติต่อโค้ดที่สร้างโดย AI เป็นจุดเริ่มต้นแทนที่จะเป็นผลิตภัณฑ์สำเร็จรูป
ความท้าทายในการขยายขนาด
เมื่อความสามารถของ AI เติบโตแบบทวีคูณ บางคนโต้แย้งว่าวิธีการตรวจสอบโค้ดแบบดั้งเดิมจะไม่สามารถตามทันได้ สิ่งนี้นำไปสู่การอภิปรายเกี่ยวกับแนวทางใหม่ในการตรวจสอบและจัดการโค้ด บริษัทอย่าง Anthropic ได้พัฒนากรอบการทำงานสำหรับการใช้ AI ในสภาพแวดล้อมการผลิตอย่างปลอดภัย โดยเน้นความสำคัญของการทำหน้าที่เป็นผู้จัดการผลิตภัณฑ์ของ AI และการมุ่งเน้นไปที่ผลลัพธ์ที่สามารถตรวจสอบได้
การหาสมดุลในภูมิทัศน์ใหม่
การถกเถียงสะท้อนความตึงเครียดในวงกว้างในการพัฒนาซอฟต์แวร์ระหว่างประสิทธิภาพและคุณภาพ ในขณะที่นักพัฒนาบางคนเลือกที่จะเก็บโครงการทดลองที่ช่วยเหลือโดย AI ไว้เป็นส่วนตัวเพื่อหลีกเลี่ยงการมีส่วนร่วมในการปนเปื้อนโค้ด คนอื่นๆ เห็นคุณค่าในการแบ่งปันร่างความคิดที่อาจไม่มีอยู่จริงเนื่องจากข้อจำกัดด้านเวลา
ชุมชนดูเหมือนจะตกลงกันในแนวทางที่มีความแตกต่างเฉพาะ: การตระหนักว่าโครงการต่างๆ มีข้อกำหนดคุณภาพที่แตกต่างกัน และเอกสารและโค้ดที่สร้างโดย AI สามารถทำหน้าที่เป็นสัญญาณที่มีประโยชน์สำหรับการสืบสวนเชิงลึกแทนที่จะเป็นการปฏิเสธทันที