Programmering med en AI-agent

Kunstig intelligens (AI) har fundamentalt ændret den måde, vi programmerer på. AI-agenter kan generere, optimere og endda hjælpe med debugging af kode. Alligevel er der nogle begrænsninger, som programmører skal have i tankerne, når de arbejder med AI.

Problemer med rækkefølge og duplikering

AI-agenter har vanskeligheder med den korrekte rækkefølge af kode. De kan for eksempel placere initialiseringer i slutningen af en fil, hvilket forårsager runtime-fejl. Derudover kan AI uden tøven definere flere versioner af den samme klasse eller funktion inden for et projekt, hvilket fører til konflikter og forvirring.

En kodeplatform med hukommelse og projektstruktur hjælper

En løsning på dette er brugen af AI-kodeplatforme, der kan håndtere hukommelse og projektstrukturer. Dette hjælper med at bevare konsistens i komplekse projekter. Desværre anvendes disse funktioner ikke altid konsekvent. Derfor kan det ske, at AI mister sammenhængen i et projekt og introducerer uønskede duplikationer eller forkerte afhængigheder under programmeringen.

De fleste AI-kodeplatforme arbejder med såkaldte værktøjer, som det store sprogmodel kan kalde på. Disse værktøjer er baseret på en åben standardprotokol (MCP). Det er derfor muligt at forbinde en AI-kodeagent til en IDE som Visual Code. Eventuelt kan du lokalt opsætte en LLM med llama eller ollama og vælge en MCP-server til integration. Modeller kan findes på huggingface.

IDE-udvidelser er uundværlige

For bedre at håndtere AI-genereret kode kan udviklere bruge IDE-udvidelser, der overvåger kodekorrekthed. Værktøjer som linters, typekontrollører og avancerede kodeanalyseværktøjer hjælper med at opdage og rette fejl tidligt. De udgør et vigtigt supplement til AI-genereret kode for at sikre kvalitet og stabilitet.

Årsagen til gentagne fejl: kontekst og rolle i API’er

En af de vigtigste grunde til, at AI-agenter fortsætter med at gentage fejl, ligger i den måde, AI fortolker API’er på. AI-modeller har brug for kontekst og en klar rollebeskrivelse for at generere effektiv kode. Det betyder, at prompts skal være fuldstændige: de skal ikke kun indeholde de funktionelle krav, men også eksplicit gøre det forventede resultat og randbetingelserne klare. For at lette dette kan du gemme prompts i standardformatet (MDC) og altid sende dem med til AI’en. Det er især nyttigt for generiske programmeringsregler, du følger, samt de funktionelle og tekniske krav og strukturen i dit projekt.

Værktøjer som FAISS og LangChain hjælper

Produkter som FAISS og LangChain tilbyder løsninger til bedre håndtering af kontekst i AI. FAISS hjælper for eksempel med effektiv søgning og hentning af relevante kodefragmenter, mens LangChain hjælper med at strukturere AI-genereret kode og bevare konteksten i et større projekt. Men også her kan du eventuelt selv opsætte det lokalt med RAC-databaser.

Konklusion: nyttigt, men endnu ikke selvstændigt

AI er et kraftfuldt værktøj for programmører og kan hjælpe med at fremskynde udviklingsprocesser. Alligevel er det endnu ikke i stand til selvstændigt at designe og bygge en mere kompleks kodebase uden menneskelig kontrol. Programmører bør betragte AI som en assistent, der kan automatisere opgaver og generere idéer, men som stadig har brug for vejledning og korrektion for at opnå et godt resultat.

Tag kontakt for at få hjælp til at opsætte udviklingsmiljøet, så teams kan få mest muligt ud af deres udviklingsmiljø og fokusere mere på kravstyring og design end på debugging og kodning.