ชุมชนนักพัฒนาซอฟต์แวร์กำลังเผชิญกับการเปลี่ยนแปลงครั้งสำคัญ เมื่อเครื่องมือเขียนโค้ดด้วย AI เริ่มแพร่หลายมากขึ้นในโปรเจกต์ที่ซับซ้อน แม้ว่านักพัฒนาบางคนจะรายงานถึงการเพิ่มขึ้นของประสิทธิภาพการทำงานอย่างน่าทึ่ง แต่คนอื่นๆ กลับเริ่มกังวลเกี่ยวกับคุณภาพของโค้ด กระบวนการตรวจสอบ และค่าใช้จ่ายที่สูงมากในการพัฒนาซอฟต์แวร์ด้วยความช่วยเหลือของ AI
เรื่องราวความสำเร็จและนวัตกรรมในขั้นตอนการทำงาน
นักพัฒนาหลายคนได้แบ่งปันผลลัพธ์ที่น่าประทับใจจากการใช้ AI ในโปรเจกต์เขียนโค้ดขนาดใหญ่ นักพัฒนาคนหนึ่งที่ทำงานกับโค้ดเบส 200,000 บรรทัดรายงานว่าใช้เครื่องมือ AI ขั้นสูงอย่าง GPT-5-Codex ด้วยการสมัครสมาชิกเดือนละ 200 ดอลลาร์สหรัฐ โดยอธิบายขั้นตอนการทำงานที่เกี่ยวข้องกับการอธิบายปัญหาอย่างละเอียด การสร้างเอกสารข้อกำหนดผลิตภัณฑ์ ( PRD ) และการสร้างโค้ดแบบวนซ้ำพร้อมเครื่องมือตรวจสอบของ AI
กระบวนการนี้โดยทั่วไปจะเกี่ยวข้องกับการบันทึกเสียงอธิบายเป็นเวลา 20-60 นาที แปลงเป็นข้อกำหนด และให้ตัวแทน AI สร้างทั้งโค้ดและการทดสอบที่ครอบคลุม วิธีการนี้ทำให้ทีมบางทีมสามารถทำงานที่ปกติจะใช้เวลาหลายสัปดาห์ให้เสร็จสิ้นในวันเดียว แม้ว่าผลลัพธ์จะต้องมีการดูแลและทดสอบจากมนุษย์อย่างระมัดระวัง
ขั้นตอนการทำงานของการเขียนโค้ดด้วย AI
- ขั้นตอนการวิจัย: วิเคราะห์โค้ดเบสที่มีอยู่และความต้องการ
- ขั้นตอนการวางแผน: สร้างข้อกำหนดรายละเอียดและ PRDs
- ขั้นตอนการพัฒนา: AI สร้างโค้ดภายใต้การดูแลของมนุษย์
- ขั้นตอนการตรวจสอบ: การทดสอบอัตโนมัติและการตรวจสอบความสอดคล้องกับข้อกำหนด
- ขั้นตอนการปรับปรุง: การปรับแต่งโค้ดด้วยตนเองเป็นเวลา 4-5 ชั่วโมง
ความท้าทายในการตรวจสอบโค้ดและความกังวลเรื่องคุณภาพ
ชุมชนนักพัฒนามีความเห็นแตกแยกอย่างลึกซึ้งเกี่ยวกับแนวทางปฏิบัติในการตรวจสอบโค้ดที่สร้างด้วย AI นักพัฒนาบางคนกำลังเปลี่ยนจากการตรวจสอบโค้ดทีละบรรทัด แทนที่จะมุ่งเน้นไปที่การปฏิบัติตามข้อกำหนดและการทดสอบอัตโนมัติ อย่างไรก็ตาม การเปลี่ยนแปลงนี้ได้จุดประกายการถกเถียงอย่างรุนแรงในหมู่วิศวกรซอฟต์แวร์ที่มองว่าการตรวจสอบโค้ดอย่างละเอียดเป็นสิ่งจำเป็นสำหรับการรักษาคุณภาพ
ผมต้องเรียนรู้ที่จะปล่อยวางการอ่านโค้ด PR ทุกบรรทัด ผมยังคงอ่านการทดสอบอย่างระมัดระวัง แต่ข้อกำหนดกลายเป็นแหล่งความจริงสำหรับสิ่งที่กำลังสร้างและเหตุผล
การเกิดขึ้นของ pull request ที่มีมากกว่า 20,000 บรรทัดกลายเป็นจุดถกเถียงเป็นพิเศษ แม้ว่าผู้สนับสนุนจะโต้แย้งว่าการเปลี่ยนแปลงขนาดใหญ่เหล่านี้สามารถจัดการได้อย่างมีประสิทธิภาพผ่านข้อกำหนดที่เหมาะสมและการทดสอบอัตโนมัติ แต่นักวิจารณ์กลับมองว่าการถ่ายโอนโค้ดจำนวนมหาศาลเช่นนี้เป็นสิ่งที่ตรวจสอบไม่ได้โดยพื้นฐานและอาจเป็นอันตรายต่อระบบการผลิต
ขนาดโครงการที่รายงาน
- โครงการส่วนบุคคล: โค้ดมากกว่า 200,000 บรรทัด
- โครงการทีม: โค้ดมากกว่า 300,000 บรรทัด ( Rust )
- Pull request เดียว: โค้ด 20,000-35,000 บรรทัด
- เวลาในการพัฒนา: จากหลายสัปดาห์แบบดั้งเดิมลดลงเหลือเพียงไม่กี่วัน
ความเป็นจริงทางการเงินและการเข้าถึง
ค่าใช้จ่ายที่เกี่ยวข้องกับการเขียนโค้ดด้วย AI อย่างมีประสิทธิภาพปรากฏว่าสูงมาก ทีมพัฒนารายงานว่าใช้จ่ายประมาณ 12,000 ดอลลาร์สหรัฐต่อเดือนสำหรับบริการ AI ขั้นสูงอย่าง Claude Opus ในโปรเจกต์ที่ซับซ้อน ฟีเจอร์แต่ละอันอาจมีค่าใช้จ่าย 650 ดอลลาร์สหรัฐใน API token ทำให้วิธีการนี้สามารถเข้าถึงได้เฉพาะทีมและบริษัทที่มีเงินทุนเพียงพอเท่านั้น
สำหรับนักพัฒนาที่ทำงานในโปรเจกต์โอเพนซอร์สหรือผู้ที่มีงบประมาณจำกัด ค่าใช้จ่ายเหล่านี้เป็นอุปสรรคสำคัญต่อการนำมาใช้ ข้อกำหนดทางการเงินกำลังผลักดันให้หลายคนยังคงใช้วิธีการเขียนโค้ดแบบดั้งเดิมหรือหาทางเลือกที่ราคาไม่แพง
ค่าใช้จ่ายเครื่องมือ AI สำหรับการเขียนโค้ด (รายเดือน)
- การสมัครสมาชิก GPT-5-Codex รายบุคคล: $200 USD
- ทีมนักพัฒนา 3 คนที่ใช้ Claude Opus : $12,000 USD
- การพัฒนาฟีเจอร์เดียว: ประมาณ $650 USD ใน API tokens
- การสมัครสมาชิก Claude Max : จำเป็นสำหรับโปรเจกต์ที่ซับซ้อน
ข้อจำกัดทางเทคนิคและการจัดการบริบท
แม้จะมีผลลัพธ์ที่น่าสัญญา แต่นักพัฒนากำลังเผชิญกับความท้าทายทางเทคนิคที่สำคัญ เครื่องมือ AI ประสบปัญหากับความรู้เฉพาะด้าน ปัญหาการทำงานพร้อมกัน และการรักษาความสอดคล้องในโค้ดเบสขนาดใหญ่ หลายคนรายงานว่า AI ทำงานได้ดีในงานอัลกอริทึม แต่ล้มเหลวเมื่อต้องจัดการกับ API เฉพาะทาง ตรรกะทางธุรกิจที่ซับซ้อน หรือการเขียนโปรแกรมระดับต่ำอย่างการพัฒนาเฟิร์มแวร์
การจัดการบริบทกลายเป็นทักษะที่สำคัญ โดยนักพัฒนาสร้างระบบเอกสารและข้อกำหนดที่ซับซ้อนเพื่อแนะนำพฤติกรรมของ AI การออกแบบบริบทนี้ต้องการการลงทุนล่วงหน้าอย่างมากและการบำรุงรักษาอย่างต่อเนื่อง ทำให้บางคนตั้งคำถามว่าการเพิ่มประสิทธิภาพคุ้มค่ากับภาระงานเพิ่มเติมหรือไม่
การแบ่งแยกในอุตสาหกรรมและผลกระทบในอนาคต
ชุมชนนักพัฒนาซอฟต์แวร์ดูเหมือนจะแบ่งออกเป็นสองฝ่าย ระหว่างผู้นำการใช้งานในระยะแรกที่เห็นศักยภาพในการเปลี่ยนแปลง และผู้ที่สงสัยซึ่งกังวลเกี่ยวกับคุณภาพของโค้ดและมาตรฐานทางวิชาชีพ นักพัฒนาบางคนแสดงความกังวลว่าอุตสาหกรรมกำลังเคลื่อนไปสู่รูปแบบที่การเข้าใจและการสร้างโค้ดกลายเป็นสิ่งรองจากการจัดการระบบ AI
การถกเถียงนี้สะท้อนคำถามที่กว้างขึ้นเกี่ยวกับอนาคตของวิศวกรรมซอฟต์แวร์ในฐานะอาชีพ แม้ว่าเครื่องมือ AI จะยังคงพัฒนาและค่าใช้จ่ายอาจลดลงเมื่อเวลาผ่านไป แต่สถานการณ์ปัจจุบันต้องการความเชี่ยวชาญ ทรัพยากรทางการเงิน และการเปลี่ยนแปลงกระบวนการอย่างมากที่นักพัฒนาหรือองค์กรไม่ทั้งหมดสามารถรองรับได้
PRD: เอกสารข้อกำหนดผลิตภัณฑ์ - เอกสารมาตรฐานที่บันทึกรายละเอียดสำคัญของฟีเจอร์ใหม่ รวมถึงเป้าหมาย เกณฑ์ความสำเร็จ และรายละเอียดการดำเนินการ
การออกแบบบริบท: แนวทางปฏิบัติในการจัดโครงสร้างและจัดการข้อมูลที่ให้กับระบบ AI อย่างตั้งใจเพื่อปรับปรุงคุณภาพและความเกี่ยวข้องของผลลัพธ์