คุณควรอ่านโค้ดหรือไม่ RAG ตายแล้วและ Skills ฆ่า MCP หรือไม่
ความร้อนเปลี่ยนหัวข้อที่ซับซ้อนให้เป็นประโยคที่เชื่อถือได้ สิ่งนี้ทำให้พวกเขายอดเยี่ยมสำหรับการมีส่วนร่วม แต่ไม่จำเป็นสำหรับการทำความเข้าใจ
ภายนอกมันไม่สำคัญมากนัก คุณเห็นด้วย ไม่เห็นด้วย โพสต์ใหม่ โต้แย้งสักสองสามนาทีแล้วเดินหน้าต่อไป บางครั้งการถูกทิศทางก็ถูกต้อง บางครั้งก็เป็นเรื่องไร้สาระ
คุณค่าของความเร่าร้อนคือเมื่อคุณหยุดโต้ตอบและแยกพวกเขาออกจากกัน สิ่งนี้เป็นจริงภายใต้สถานการณ์ใด? บริบทใดหายไป? มันมีสมมติฐานอะไรบ้าง? เมื่อนำไปใช้กับงานจริงจะเปลี่ยนไปอย่างไร?
มันอยู่ลึกที่นั่น การอุ่นเครื่องที่ดีจะทำให้คุณเพียงพอที่จะถามคำถาม คำถามคือที่ที่คุณจะพบแนวคิดที่เป็นประโยชน์
เราสำรวจทั้งหมดนี้และอีกมากมายในตอนล่าสุดของ GitHub Podcast!
ยังไม่พร้อมที่จะดำน้ำใช่ไหม? นี่คือภาพ AI ยอดนิยมบางส่วนที่เราได้พูดคุยกัน และสิ่งที่เราจะได้จากภาพเหล่านั้น
ประเด็นร้อน #1: “คุณไม่จำเป็นต้องอ่านโค้ดที่สร้างโดย AI”
ใช่คุณทำ คุณยังคงต้องรับผิดชอบต่อรหัส
แต่นี่ไม่ได้หมายความว่าทุกบรรทัดที่สร้างขึ้นต้องการความสนใจในระดับเดียวกัน
รีแฟกเตอร์การตรวจสอบสิทธิ์การใช้งานจริงสมควรได้รับกระบวนการตรวจสอบที่แตกต่างจากประสบการณ์ CSS Codebase ที่คุณรักษามา 10 ปีจะขับเคลื่อนสัญชาตญาณของคุณแตกต่างจากที่คุณเปิดเมื่อเช้านี้ การแกล้งทำเป็นว่าการเปลี่ยนแปลงทุกอย่างมีความเสี่ยงเท่ากันนั้นไม่ใช่เรื่องรุนแรง มันเป็นเพียงการใช้เวลาที่ไม่ดี
กฎง่ายๆ: พิจารณาจนกว่าคุณจะอธิบายผลลัพธ์ได้
บางครั้งก็เริ่มต้นก่อนที่ตัวแทนจะเขียน คุณจะได้อ่านการใช้งานปัจจุบัน การขึ้นต่อกันของแผนที่ ระบุกรณี Edge และแผน เมื่อมีการใช้งานครั้งแรก คุณเข้าใจแล้วว่าจะต้องทำอะไรและผิดพลาดตรงไหน
ในบางครั้ง โค้ดที่สร้างขึ้นเองก็ต้องการความสนใจจากคุณ คุณตรวจสอบการจัดการข้อผิดพลาด สิทธิ์ การเข้าถึงข้อมูล กิจกรรม การเข้าถึง และการทดสอบ
AI ขับเคลื่อนความพยายาม นี่ไม่ได้ทำให้งานหายไป
ทักษะที่แท้จริงคือการรู้ว่าอันตรายอยู่ที่ไหน
วิธีแก้ปัญหายอดนิยม #2: “ถ้าคุณไม่ใช้ AI บริษัทจะไม่จ้างคุณ”
ความจริงมีความเหมาะสมยิ่งขึ้นอีกเล็กน้อย มีทีมจำนวนมากขึ้นเรื่อยๆ ที่ถามผู้สมัครว่าพวกเขาใช้ AI อย่างไร มันสมเหตุสมผล เครื่องมือเหล่านี้กลายเป็นส่วนหนึ่งของการพัฒนาซอฟต์แวร์
แต่ไม่มีใครคิดว่านักพัฒนาทุกคนต้องการเวิร์กโฟลว์เดียวกัน เครื่องมือเดียวกัน หรือความกระตือรือร้นในระดับเดียวกัน
สัญญาณคือประโยคที่แรงกว่า
คุณช่วยอธิบายได้ไหมว่าเมื่อใดที่คุณใช้ AI และเมื่อใดที่คุณทำงานด้วยตนเอง คุณช่วยอธิบายวิธีตรวจสอบโค้ดที่สร้างขึ้นได้ไหม คุณสามารถพูดอย่างตรงไปตรงมาเกี่ยวกับความเร็ว คุณภาพ ความปลอดภัย และการบำรุงรักษาได้หรือไม่? คุณสามารถเปลี่ยนกระบวนการของคุณเมื่อเครื่องมือเปลี่ยนไปได้หรือไม่?
หากบริษัทสร้างผลิตภัณฑ์ AI หรือใช้ AI อย่างหนักในกระบวนการทางวิศวกรรม การละทิ้ง AI อาจทำให้คุณแย่ลงได้ นี่ไม่ใช่ข้อโต้แย้ง แต่การพึ่งพาอาศัยกันโดยสิ้นเชิงและการปฏิเสธโดยสิ้นเชิงไม่ใช่คำตอบที่ดีนัก
คำตอบที่ดีกว่าคือคำอธิบายที่ชัดเจนเกี่ยวกับวิธีการทำงานของคุณ เครื่องมือที่คุณไว้วางใจ และจุดที่คุณเข้ากับสถานการณ์ได้
ความคิดแบบนี้กลายเป็นส่วนหนึ่งของงานศิลปะ
รีวิวสุดฮอต #3: “ทักษะสังหาร MCP”
ไม่ พวกเขาแก้ปัญหาที่แตกต่างกัน
Model Context Protocol ช่วยให้เอเจนต์มีวิธีมาตรฐานในการเชื่อมต่อกับเครื่องมือและข้อมูล มาตรฐานนี้มีความสำคัญเมื่อคุณต้องการให้ระบบทำงานได้อย่างน่าเชื่อถือ เจ้าหน้าที่ต้องการวิธีการที่มีโครงสร้างในการเรียกใช้เครื่องมือ รับบริบท และดำเนินการ
ทักษะนั้นใกล้เคียงกับประสบการณ์การบรรจุหีบห่อมากขึ้น ทักษะสามารถอธิบายวิธีการทำงานของทีม วิธีแก้ไขโครงการ วิธีใช้เครื่องมือ หรือแบบแผนใดบ้างที่สำคัญ เนื่องจากทักษะมักเขียนด้วย Markdown มนุษย์จึงสามารถอ่านได้ การอ่านนี้เป็นส่วนหนึ่งของคุณค่าของพวกเขา
MCP สามารถให้การเข้าถึงได้ ทักษะสามารถอธิบายวิธีใช้การเข้าถึงนี้ได้ดี
คุณไม่จำเป็นต้องเลือกผู้ชนะ ใช้มาตรฐานสำหรับอินเทอร์เฟซที่ใช้ร่วมกัน ใช้ทักษะตามบริบท กระบวนการ และแนวทางปฏิบัติที่ดีที่สุด
การรวมกันนั้นน่าสนใจมากกว่าการโต้แย้งมาก
รีวิวสุดฮอต #4: “RAG Is Dead”
แร็กยังไม่ตาย ไม่ใช่แค่สิ่งล่าสุดที่ผู้คนต้องการโพสต์เท่านั้น
การสร้างการค้นหาแบบเสริมทำให้ระบบ AI มีข้อมูลที่เกี่ยวข้องนอกเหนือจากข้อมูลการฝึกของโมเดล อาจรวมถึงเอกสารประกอบ ประวัติการสนับสนุน รายละเอียดผลิตภัณฑ์ ความรู้ภายใน หรือฐานรหัส
หากไม่มีการค้นหาที่ดี โมเดลจะต้องอาศัยสิ่งที่รู้อยู่แล้วหรือใช้เวลาเพิ่มเติมในการค้นหาบริบท การทำเช่นนี้เป็นการสิ้นเปลือง ทำให้งานช้าลง และทำให้คำตอบที่ไม่สมบูรณ์มีแนวโน้มมากขึ้น
การค้นหาที่ดีจะช่วยให้โมเดลเข้าใกล้คำตอบมากขึ้น โดยจะจำกัดพื้นที่การค้นหาให้แคบลงและอิงตามข้อมูลที่สำคัญจริงๆ
เจ้าหน้าที่ ทักษะ MCP และ RAG ทั้งหมดสามารถมีอยู่ในเวิร์กโฟลว์เดียวกันได้ ตัวแทนสามารถใช้ MCP เพื่อเข้าถึงเครื่องมือ ดำเนินการทักษะการสอนเฉพาะโครงการ และใช้การค้นหาเพื่อค้นหาบริบทการสนับสนุนที่เหมาะสม
สิ่งเหล่านี้ไม่ได้แยกจากกัน ทัศนคติของพวกเขาไม่มีความรู้พอๆ กับวิธีที่มนุษย์สร้างด้วย AI จริงๆ
ไอเดียยอดนิยม #5: “หากคุณต้องการปรับแต่งโมเดลสำหรับฐานโค้ดของคุณ แสดงว่าโค้ดของคุณไม่ดี”
มีเหตุผลที่ดีในการปรับแต่งโมเดลอย่างละเอียด อย่างไรก็ตาม โมเดลสมัยใหม่ได้เห็นเฟรมเวิร์ก รูปแบบ รูปแบบการตั้งชื่อ และสถาปัตยกรรมทั่วไปจำนวนมาก หากโมเดลไม่เข้าใจฐานโค้ดของคุณ ก็มีโอกาสที่ดีที่เพื่อนใหม่จะต้องประสบปัญหาเช่นกัน
AI จะทำการทดสอบความเครียดอีกครั้งสำหรับการบำรุงรักษา ควบคู่ไปกับการตรวจสอบโค้ด การทดสอบ การอัปโหลด และคนจนจะแก้ไขมันหลังจากหกเดือน
โครงสร้างที่ชัดเจนช่วยได้ การตั้งชื่อที่สอดคล้องกันช่วยได้ การทดสอบที่อ่านง่าย นามธรรมที่เป็นประโยชน์ และความช่วยเหลือด้านเอกสารประกอบปัจจุบัน
สิ่งเหล่านี้ทำให้ Codebase เข้าใจได้ง่ายขึ้นสำหรับตัวแทน แต่ที่สำคัญกว่านั้นคือทำให้บุคคลตรวจสอบ ตรวจแก้จุดบกพร่อง และขยายได้ง่ายขึ้น
การพัฒนาที่ได้รับความช่วยเหลือจาก AI จะให้รางวัลฐานโค้ดที่ทำให้เจตนาชัดเจน
นี่เป็นสิ่งที่ดี
งานจริงน่าสนใจมากกว่าการโต้แย้ง
AI ยังคงสร้างข้อมูลเชิงลึกที่ทรงพลังในขณะที่เครื่องมือเปลี่ยนแปลงอย่างรวดเร็ว และเราทุกคนยังคงค้นหาขั้นตอนการทำงานของเรา
คุณไม่จำเป็นต้องเลือกข้างถาวรในทุกข้อโต้แย้ง
ไม่มีคำตอบที่ดีกว่าในการได้รับเสน่ห์อื่น ตรวจสอบความคิด ทำบางสิ่งบางอย่าง บันทึกสิ่งที่เกิดขึ้น มอบสิ่งที่เป็นจริงให้ทุกคนได้เรียนรู้
AI การผสมเกสรทำสิ่งนี้โดยการทดลองกับแพลตฟอร์มสร้าง AI ซึ่งผู้ร่วมให้ข้อมูลสามารถรับเครดิตโดยการปรับปรุงโครงการที่เรียกว่าละอองเกสร ผู้คนสามารถเปิดและแก้ไขปัญหา สนับสนุนแบบจำลอง และทำงานให้เสร็จสิ้นได้ โครงการนี้ทำให้เกิดคำถามที่แท้จริงเกี่ยวกับสิ่งจูงใจ คุณภาพ ขนาด และวิธีที่โอเพ่นซอร์สสามารถมีส่วนร่วมได้อย่างไรเมื่อ AI ลดอุปสรรคในการมีส่วนร่วม
Avian Visitors ทำสิ่งนี้ในลักษณะที่แตกต่างไปจากเดิมอย่างสิ้นเชิง นี่คือบันทึกการสร้างสำหรับการแสดงการฟังนกแบบอิเล็กทรอนิกส์ ซึ่งเปลี่ยนนกให้กลายเป็นจิตรกรรมฝาผนังบนระเบียงที่อยู่อาศัย ประกอบด้วยไมโครโฟน, Raspberry Pi, หน้าจอหมึกอิเล็กทรอนิกส์, ชิ้นส่วนที่พิมพ์แบบ 3 มิติ, รูปภาพนก และเอกสารแบบนุ่มนวล
โครงการเหล่านี้ไม่ได้แก้ปัญหาข้อโต้แย้งด้าน AI ทั้งหมด พวกเขาทำสิ่งที่มีประโยชน์มากกว่า: สร้างหลักฐาน เปิดเผยธุรกรรม และให้พื้นที่แก่ผู้อื่น
อ่านโค้ดให้เพียงพอเพื่อให้ได้ผลลัพธ์ สร้างระดับให้ AI เพียงพอเพื่ออธิบายวิธีการทำงานของคุณ ใช้ MCP เมื่ออินเทอร์เฟซมาตรฐานช่วย ใช้ทักษะเมื่อบริบทและกระบวนการมีความสำคัญ รักษา RAG เมื่อข้อมูลที่สมเหตุสมผลช่วยปรับปรุงระบบ หากโค้ดของคุณสร้างความสับสนให้กับทั้งมนุษย์และโมเดล ให้พิจารณาว่าเป็นปัญหาด้านการบำรุงรักษา
สิ่งสำคัญที่สุดคือฝึกฝนสิ่งที่คุณเรียนรู้
สมัครสมาชิก Podcast GitHub เพื่อที่คุณจะได้ไม่พลาดตอนหนึ่ง!
ประพันธ์โดย
