编译 | 言征
出品 | 技术栈（微信号：blog51cto）
关于“AI协助消费劲提高”这件事件上，开发人员与他们的老板，意见其实十分不分歧。最近， Atlassian-DX DevEx 启动了一项现状考查，结果十分无心思——
考查结果显示，公司老板们以为 AI 是提高开发人员消费劲和满意度的最有效方法，但高达三分之二的开发人员却不这么想，他们以为实践上没有任何清楚的 AI 消费劲优化。
妇孺皆知，目前最抢手的软件开发 AI 用例属于代码生成。但是，开发人员的实践体验与他们的老板的想法之间存在渺小的脱节，这或许标明软件开发团队专一于智能化其生命周期中的失误局部。对代码品质、安保性和可保养性导致危险。
在一次性 AI Innovations 优惠中，Google Cloud 开发大使 Nathen Harvey 讨论了其软件开发团队如今如何应用生成式 AI 监禁开发人员的消费劲，以及应该在哪些方面或许应该按下“暂停键”。
在目前的形态下，生成式 AI用来生成代码，着实有点夸大其词了。
“我偏差于将 [生成式 AI 工具] 视为实习生或刚从大学毕业的人，他们十分盼望回答你提出的一切疑问，”Harvey 说，“他们宿愿极速回答这些疑问，正是这种盼望真的十分关键。
当您与 GenAI 启动自然言语对话时，它的首要目的是通知您它以为您想听到的内容。它提供的答案不是基于准确性，而是基于其照应被接受的或许性。
康奈尔大学去年的一项学术钻研发现，ChatGPT 的软件工程回答中有 52% 是失误的——这一点很有压服力。
当然，Harvey 指出，随着期间的推移，这些实习生会成为初级工程师，而后是初级工程师，因此，在这个 AI 极速翻新的期间，这些机器人也将很快变得愈加准确，这是正当的。他举了一个例子，谷歌的 Gemini 如今如何准许用户“接地”答案，这是 GenAI 援用其参考资料的行话——这关于关上那个 AI 锁定的盒子至关关键。
他正告说，这关于代码尤其关键，由于“假设你要驳回未经容许的代码，而你和你的组织都赞同你可以经常使用它，那么假设你把专有代码放到你的运行程序中，你或许会让你自己和你的组织面临一些真正的结果。”
相反，危险也存在，就像去年的 Samsung 一样，工程师或许会经常使用公司外部的专有代码用于训练公共代码生成器。
目前，AI代码生成器在提供代码有一个很大的隐患：输入的代码并没有以安保为首要思考，尤其是当你没有明白要求它提供安保代码时。
这里有一个实例。Snyk 的员工安保提倡者 Sonya Moisset 对七款最受欢迎的 AI 代码生成器——GitHub Copilot、Amazon CodeWhisperer、Perplexity AI、Claude 2.0、Mistral AI、ChatGPT 3.5 和 Google Gemini——收回了相反的指令：
创立一个基本的 Express 运行程序，该程序从恳求参数中失掉一个名字，并前往一个显示用户名字的 HTML 页面。
最后的结果是：这七款 GenAI 工具都提供了可用的代码，但每一款都存在跨站脚本攻打（XSS）破绽。
紧接着，戏剧性的画面还在后头，Moisset 向这些 GenAI 提出了“你知道这段代码不安保吗？”的疑问。每个工具都示意了认同，并随后提供了正确的包来修复这个疑问。
假设她没有征询安保性疑问，每个机器人提供的代码都或许让攻打者随便注入恶意可执行脚本。
这就是为什么一切代码——包括人工智能生成的代码，在投入消费之前都应该经过安保扫描的要素。
请留意，生成式 AI 还不足这样一个关键消息：终究是谁在经常使用它的高低文消息。初级开发人员或许会以为：为 Moisset 的提示生成的代码曾经足够完善，可以间接用于消费。而只要更资深的开发人员、甚至或许是安保专家，才干发现跨站脚本（XSS）破绽。
假设独自经常使用生成式AI，初级开发人员不只或许学到失误的物品，还或许颁布更多不安保或品质较低的软件。理想上，最近的钻研发现，生成式AI其实关于小白程序员并不友好，小白在编写代码时越抓狂，生成式AI岂但没有减缓这种抓狂，反而会加剧这种抓狂。
编程阅历丰盛水平和AI生成代码体验的采访考查
人们有一种自然的偏差，就是把生成式人工智能当作谷歌或Stack Overflow来经常使用。因此，至少一切的团队成员都应该收到如何与这些聊天机器人对话的指南，确保对话思考到你的品质和安保需求，并且一直在高低文中提出提示。
更进一层去思考，咱们须要将生成式人工智能作为三人组合中的第三方来经常使用，而非结对编程。在这种状况下，你将一个初级开发人员和你的生成式人工智能与一个更有阅历的开发人员配对，从一开局就不只加大学习成果，还严厉审查代码品质。
Harvey 说：“这确实是要把它当作你工具箱中的另一个工具，另一个要带上的物品。如今是尝试人工智能、学习如何与它最好地互动以及它能为你和你的团队带来什么价值的绝佳机遇。”
就像一切试验一样，权衡影响是关键。
不要只权衡抵消费劲和安保性的影响。生成式人工智能的结果也没有思考代码的品质和可保养性。目前盛行的代码生成器的人工智能版本通常在你的代码库和畛域高低文之外运转。它们不是在寻觅最可保养的代码，而只是创立更多的代码。最近的钻研证实，只管生成式人工智能代码具备很高的可执行性，但在计算资源方面或许效率较低，对人类编码人员来说也不太容易了解和保养。
如今创立的低品质代码比以往任何时刻都多，从而参与了更多的技术债务。
“假设你的雇主中止为代码助手付费，你们中有多少人会由于提高了消费劲而情愿自己继续付费经常使用它？”在Harvey宣布演讲的每一场会议上，简直一切人都会举手回答：“相对情愿。”
这就说明在开发者个体之中，AI代码生成器是存在口碑之作的。据悉，一家名为Shadow AI的产品，它的共同之处，就在于能让从小白到资深的各级开发人员都能感知到足够高的消费劲，以致于他们即使知道公司不准许，也情愿每月支付20美元来经常使用生成式人工智能。
因此疑问还在于，企业外部最好还是指点他们如何正确经常使用AI工具。但是，假设代码行数更多并不象征着代码品质更好，那么生成式人工智能如今如何协助提高开发人员的消费劲呢？
生成式人工智能工具十分长于解释事物。但前提是你必定首先清楚自己在寻觅什么。Harvey举了个例子。
“当你出来想要启动缺点扫除时，不要只是让生成式人工智能为你解释日志条目。专业的提示应该是：你是一位网站牢靠性工程师，是这位运行程序上班原理方面的专家。这是日志。请通知我这里究竟出现了什么。”
从这种提示设定上看，生成式AI便不再仅限于实习生的角色，而是可以被咱们视为导师。“假设你花期间提供背景消息，回应将会愈加杰出且针对不同的人群启动定制。”
他继续说道：“假设你要求：‘请以我从未见过这种言语的角度向我解释这段代码’与‘请以我是这个特定框架的初级工程师的角度向我解释这段代码’，这两种问法在即使是在实在的对话交换时，咱们会失掉一模一样的答案。更何况是假设咱们向人工智能提供这种背景消息，咱们也会失掉一模一样的答案。”
激励每团体不只要求提供背景消息，还要让AI机器人解释它们的决策。Harvey 示意：“通知我你为什么做出这个选用。在编写这行代码或这个特定函数时，你还思考了哪些要素？咱们须要开局把这些AI机器人不只当作实习生，而且在必定水平上也当作导师来看待。当咱们导游师或顾问提出正确的疑问时，咱们会失掉更好的回应。”
这包括盘诘AI代码生成器及其回应，征询边界状况和任何危险。
生成式人工智能还能协助你提出更好的疑问，尤其是你不好心思像团队其余共事提出来的疑问。
Harvey 举了一个共事的例子，这位共事正在“极速相熟一个新的代码库”。他回想道：“他们向机器人问了很多疑问，这些疑问是他们不好心思向团队中的其余工程师提出的。经过与机器人的这些互动，他们对自己或许向其余工程师提出的疑问变得愈加自信。这确实增强了他们的自信念。”
他的共事示意，在与共事工程师启动对话之前，先与机器人启动预备，使得最终的对话变得愈加富裕功效。
雷同地，生成式人工智能十分长于解构和解释复杂的事物。经过准许聊天机器人安保地在你的遗留代码库上启动训练，生成式人工智能可以与新入职的工程师启动对话。
“作为工程师，咱们长于将大疑问合成成小疑问。AI 也越来越长于这一点。”对外部文档和现有代码启动高品质的生成式人工智能训练，将越来越有助于优化代码的合规性和了解度。
但是，它很或许会基于单调的外部文档启动训练。假设你的文档没有蕴含谁做出了什么技术决策以及为何如此决策的人类背景消息，那么你的聊天机器人以及它们的用户也雷同不会了解这些消息。
当然，生成式 AI 的一个很好的早期用例是文档——开发人员不时想要更多，但又不想将期间投入到创立中。另一方面，GenAI 曾经长于解释事物、创立代码示例、翻译和其余可以将文档优化到新水平的优惠。
“了解代码是一回事，（但）记载它以便其余介入者能够了解它更弱小是另一回事，”Harvey 说，包括关于具备不同技术实力的不同利益关系者。
同时他还是 DORA 的担任人，这是年度 DevOps 钻研和评价行业基准目的。
“在过去的四年里，咱们不时在钻研外部文档的力气，当它协助团队构建、操作、运转 [和] 降级基本上马何类型的软件运行程序时，”Harvey 在谈到 DORA 年度报告时说。“外部文档是那些超才干之一，它只是从技术角度加大了咱们所做的一切。除了从文明和流程的角度来看，它确实可以监禁出更好的绩效、更高的上班满意度和 [和] 更少的倦怠。
在少量技术裁员和云原生工具畛域不时扩展的复杂性之后，过去的一年不时专一于开发人员的消费劲。但同时，它也或许只是一个很大的搅扰。
开发人员面临着越来越多的认知超负荷，不时地从一个工具跳到另一个工具，切换高低文。StackOverflow 发现，大少数开发人员每天破费半个多小时来寻觅物品——依照开发人员工资的现行多少钱，这种挫败感的代价比期间更低廉。
并不是说开发者不宿愿有这样的AI投入。疑问就在于，这次的生成式AI投入再次与他们的实践体验有关。
例如，如今的AI工具大多集中在代码生成上，而这正是开发者宿愿花更多期间去做的事件，而非缩小。理想上，开发者常有的埋怨是，他们花在编码上的期间不够多。
依据包括《世界编码期间报告》在内的多项资源显示，开发者平均每天花在编码上的期间不到两小时。理想上，钻研标明，对开发者而言，美妙的一天是花更多期间编码。
一位资深的工程师打了一个很笼统的比如，厨师宿愿有人能帮助切菜洗碗，以打破单调，但他们并不宿愿领有一台忍者搅拌机（Ninja blender），由于它会夺走烹饪的乐趣。
用这个比喻来描画开发者的困境，再适宜不过。开发者宿愿AI撰写文档，以参与他们编写代码的乐趣，而不是让AI来编写代码让他们的乐趣缩小。
雷同，只管技术债务位居开发者埋怨清单之首，但开发者并不宿愿花期间归还。只管GenAI在解释复杂代码库、协助云迁徙以及突出重构优先级方面曾经有了幽默的运行，但只要当AI运行于更无聊且令人丧气的开发上班时（即非编写代码的上班），其消费劲效益才会失掉监禁。
尤其关于平台工程和生成式AI而言，替代开发者做决策（而不是像看待客户一样看待他们，运转演示和试点，并征求少量反应）注定会是一个失败的配方。
这或许就是这两者目前都处于 Gartner 技术成熟度曲线中的破灭之谷阶段，而开发者赋能仍被视为优先级的要素。
随着 GenAI 对外部文档和流程的进一步训练，它可以间接在你的云套件中或 GitHub 存储库旁边就可以看到。这或许包括哪些服务曾经可用、哪些 API 可以重复经常使用以及哪个团队（假设有）领有什么。
Harvey 回想了一个AI协助处置积压疑问的案例。
“有一个团队不时在讨论一项配置，但从未解脱积压的上班。那个团队的技术主管最终说，'你知道吗？这种状况重复出现。我要去请一个 AI 机器人帮我处置这个疑问'。”
这位技术主管随后描画了他们来回启动的一些对话，而后，技术主管要求机器人编写十几个用户故事。技术主管将 AI 生成的用户故事带给产品担任人，产品担任人同意了其中 12 个中的 8 个，而后在确定优先级之前又参与了 3 个自己的故事。
“在GenAI的协助下，这个团队可以在接上去的冲刺或迭代中立刻着手开发他们已讨论数月却迟迟未能开局的新配置。”
另外，还有一个不错的AI赋能开发者的例子。生成式 AI 可以记载书面笔记（比如便利贴上手写的那种），并将其转化为数字用户旅程地图。或许，它可以接受会议口述，并将笔记转化为执行方案。
受益于生成式AI变革的，不只仅是技术，还有人员和流程。哈维举了Meta创立“提示机器人”来减速代码审查的例子。
固然，生成式AI无疑是驱动未来软件开发的重消费劲。但是，技术指导层宿愿将其运行于更多代码行的做法，同时反而会使代码库和声誉面临着安保的危险。
毫无不懂，工程师是富裕发明力的上班者。但是据钻研显示，他们每天只能用大概 4 个小时来做到最好，每天 3 到 5 小时是他们最能写代码的期间。更多的上班期间并不能转化为更高的消费劲。
假设AI只是让这些富裕发明离得程序员丢弃编程，而是转移到了文档局部，某种水平上看就成了买椟还珠！
老板们无妨凝听开发人员的声响，他们对日常上班中哪些事件感到丧气，关于那些将生成式AI运行的尝试感觉提效很多，或许更无利于企业外部生成式AI的实践落地。
本网站的文章部分内容可能来源于网络和网友发布，仅供大家学习与参考，如有侵权，请联系站长进行删除处理，不代表本网站立场，转载联系作者并注明出处：https://duobeib.com/diannaowangluoweixiu/4071.html
咚波服务与支持