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 fejlfinding af kode. Der er dog visse begrænsninger, som programmører skal være opmærksomme på, når de arbejder med AI.

Problemer med rækkefølge og duplikering

AI-agenter har svært ved at håndtere 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 at bruge AI-kodeplatforme, der kan administrere hukommelse og projektstrukturer. Dette hjælper med at bevare konsistens i komplekse projekter. Desværre anvendes disse funktioner ikke altid konsekvent. Dette kan resultere i, at AI’en mister sammenhængen i et projekt og introducerer uønskede duplikeringer eller forkerte afhængigheder under programmeringen.

De fleste AI-kodningsplatforme arbejder med såkaldte værktøjer, som large language model kan kalde. Disse værktøjer er baseret på en åben standardprotokol (MCP). Det er derfor muligt at koble en IDE som Visual Studio Code til en AI-kodningsagent. Eventuelt kan du lokalt opsætte en LLM med llama eller ollama og vælge en MCP server at integrere med. Modeller kan findes på huggingface.

IDE-udvidelser er uundværlige

For bedre at kunne administrere AI-genereret kode kan udviklere benytte sig af IDE-udvidelser, der sikrer kodens korrekthed. Værktøjer som linters, type checkers og avancerede kodningsanalyseværktøjer hjælper med at opdage og rette fejl tidligt. De udgør et essentielt supplement til AI-genereret kode for at sikre kvalitet og stabilitet.

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

En af de primære årsager til, at AI-agenter fortsætter med at begå 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. Dette betyder, at prompts skal være fuldstændige: de skal ikke kun indeholde de funktionelle krav, men også eksplicitgøre det forventede resultat og begrænsningerne. For at lette dette kan du gemme prompts i standardformat (MDC) og sende dem med til AI’en. Dette er især nyttigt for generelle programmeringsregler, som du anvender, 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 at hjælpe AI med bedre at håndtere kontekst. FAISS hjælper for eksempel med effektivt at søge og hente relevante kodestykker, mens LangChain hjælper med at strukturere AI-genereret kode og bevare konteksten inden for et større projekt. Men også her kan du eventuelt opsætte det lokalt med RAC-databaser.

Konklusion: Nyttigt, men endnu ikke selvstændigt

AI er et kraftfuldt værktøj for programmører og kan hjælpe med at accelerere udviklingsprocesser. Det er dog 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 ideer, men som stadig har brug for vejledning og korrektion for at opnå et godt resultat.

Kontakt os for at få hjælp til at opsætte udviklingsmiljøet, så teams kan få mest muligt ud af udviklingsmiljøet og bruge mere tid på kravspecifikation og design end på fejlfinding og kodning.