ஒரு டெவலப்பர், AI கோடிங் ஏஜெண்டுகள் (AI coding agents) வெவ்வேறு செஷன்களிலும் (sessions) ஒரு கோப்பகத்தின் சூழலைத் தக்கவைத்துக் கொள்ள உதவும் மூன்று அடுக்குக் குறியீட்டுத் தள வரைபடத்தை (three-layer code-base map) அறிமுகப்படுத்தியுள்ளார்.

AI ஏஜெண்டுகளுக்கு ஏன் ஒரு வரைபடம் தேவை?

சாட் அடிப்படையிலான கோடிங் உதவியாளர்கள் (Chat-based coding assistants), பிராம்ப்ட் விண்டோ (prompt window) திறந்திருக்கும் வரை மட்டுமே ஒரு ரெபாசிட்டரியின் (repository) மன மாதிரியை (mental model) உருவாக்குகின்றன. கான்டெக்ஸ்ட் விண்டோ (context window) மூடப்படும்போது, அந்த மாதிரி மறைந்துவிடுகிறது; இதனால் ஏஜென்ட் மீண்டும் ஆரம்பத்திலிருந்தே சிம்பல்கள் (symbols), இம்போர்ட்கள் (imports) மற்றும் கோப்பு உறவுகளைக் கண்டறிய வேண்டிய கட்டாயம் ஏற்படுகிறது. இந்தத் தொடர்ச்சியான செயல்பாடுகள் கணக்கீட்டுச் சுழற்சிகளை (compute cycles) வீணாக்குவதோடு, ஒரு டெவலப்பர் கோப்புகளுக்கு இடையே மாறும்போது அல்லது ஒரு இடைவேளைக்குப் பிறகு திட்டத்திற்குத் திரும்பும்போது, ஏஜென்ட்டின் பயனைத் தடுத்துவிடுகின்றன.

வரைபடத்தை உருவாக்கும் மூன்று அடுக்குகள்

  • அமைப்பு அடுக்கு (Structural layer) – சிம்பல்கள், ஃபங்க்ஷன் அழைப்புகள் (function calls) மற்றும் இம்போர்ட் அறிக்கைகளின் தொகுப்பு. இது "எது எதை அழைக்கிறது" என்ற நிலையான கேள்விக்கு விடையளிக்கிறது.
  • கால அடுக்கு (Temporal layer) – கோப்பு மாற்ற விகிதங்கள் (file churn rates) மற்றும் உரிமையாளர் வரலாறு போன்ற git மூலம் பெறப்பட்ட சமிக்ஞைகள். குறியீட்டின் எந்தப் பகுதிகள் அடிக்கடி மாறுகின்றன மற்றும் அவற்றை யார் கையாள்கிறார்கள் என்பதை இது காட்டுகிறது.
  • நடத்தை அடுக்கு (Behavioral layer) – ஒரு ஏஜென்ட்டின் சொந்த எடிட் மற்றும் நேவிகேஷன் வரலாற்றிலிருந்து எடுக்கப்பட்ட நிஜ உலகப் பயன்பாட்டு முறை. கோடிங் செஷனின் போது எந்தெந்தக் கோப்புகள் உண்மையில் ஒன்றாகத் திறக்கப்படுகின்றன என்பதைக் கண்டறிவதன் மூலம், நிலையான பகுப்பாய்வு (static analysis) தவறவிடுபடும் "உண்மையான அண்டை கோப்புகளை" (true neighbors) இது வெளிப்படுத்துகிறது.

நடத்தை அடுக்கு அதிக முக்கியத்துவம் வாய்ந்தது, ஏனெனில் இது குறியீடு எவ்வாறு கட்டமைக்கப்பட்டுள்ளது என்பதை மட்டும் காட்டாமல், டெவலப்பர்களும் (மற்றும் ஏஜெண்டுகளும்) உண்மையில் எவ்வாறு பணியாற்றுகிறார்கள் என்பதையும் பிரதிபலிக்கிறது.

ஏஜென்ட்டிற்கு வரைபடத்தை வழங்கும் இரண்டு வழிகள்

  1. Ambient Path – ஒவ்வொரு தொடர்பிலும் சேர்க்கப்படும் ஒரு சுருக்கமான தொகுப்பு. இது கூடுதல் அழைப்புகள் இன்றி, ஏஜென்ட்டிற்கு "நீங்கள் X மாடியூலில் (module) இருக்கிறீர்கள், இந்த சிம்பல்கள் அருகில் உள்ளன" என்ற உடனடித் தகவலை வழங்குகிறது.
  2. Deep Path – ஏஜென்ட்டிற்கு விரிவான தகவல்கள் தேவைப்படும்போது (உதாரணமாக, அடிக்கடி ஒன்றாக மாறும் கோப்புகளின் பட்டியல் அல்லது சமீபத்திய உரிமையாளர் காலவரிசை) அதைப் பயன்படுத்தக்கூடிய தேவைக்கேற்ப அழைக்கும் (on-demand) வினவல் கருவிகள்.

Ambient மற்றும் Deep தகவல்களைப் பிரிப்பதன் மூலம், வழக்கமான பிராம்ப்ட்களை லேசாக (light) வைத்திருக்க முடியும், அதே சமயம் தேவைப்படும்போது ஆழமான தகவல்களையும் வழங்க முடியும்.

அமைப்பைச் சுறுசுறுப்பாக (lean) வைத்திருக்கும் வடிவமைப்பு விதிகள்

  • கனமான லேங்குவேஜ் சர்வர்களைத் (language servers) தவிர்க்கவும். இந்த வரைபடம் முழுமையான டைப் இன்ஃபரன்ஸை (type inference) விட லேசான பார்சிங்கையே (shallow parsing) நம்பியுள்ளது. இதன் நோக்கம் முதிர்ந்த ஸ்டேடிக் அனலைசர்களை (static analyzers) விடச் சிறந்ததாகச் செயல்படுவது அல்ல, மாறாக நடத்தை சார்ந்த நுண்ணறிவைக் கொண்டு அவற்றை முழுமையாக்குவதே ஆகும்.
  • வரைபடத்தை ஒவ்வொரு திட்டத்திற்கும் (project) உட்படுத்தவும். இந்த அமைப்பு பல்வேறு ரெபாசிட்டரிகளுக்கு இடையே ஒரு உலகளாவிய டிபெண்டன்சி வரைபடத்தை (global dependency graph) உருவாக்குவதில்லை. இந்தத் தனிமைப்படுத்தல் மெமரி பயன்பாட்டைக் குறைத்து, அப்டேட்களை வேகப்படுத்துகிறது.
  • தற்போதுள்ள மெமரி ஸ்டோரை (memory store) மீண்டும் பயன்படுத்தவும். கோப்பு மாற்றப் பதிவுகள் (File-change logs) ஏஜென்ட்டின் சொந்த டூல் கால் (tool call) நினைவகத்திலிருந்து பெறப்படுகின்றன, இது நகல் சேமிப்பதைத் தவிர்த்து தரவு ஆதாரத்தை சீராக வைக்கிறது.

நடைமுறையில் வரைபடத்தை உருவாக்குதல்

  1. அமைப்புத் தரவைச் சேகரிக்கவும் (Collect structural data): மூலக் கோப்புகளை (source files) விரைவாகப் பார்த்து, சிம்பல்கள் மற்றும் இம்போர்ட் வரிகளைப் பிரித்தெடுக்கவும்.
  2. கால அளவீடுகளைப் பெறவும் (Pull temporal metrics): ரெபாசிட்டரியின் git வரலாற்றிலிருந்து, எந்தக் கோப்புகளில் அதிக கமிட்கள் (commits) உள்ளன மற்றும் அவற்றை எழுதியவர்கள் யார் என்பதைக் கண்டறியவும்.
  3. நடத்தை சமிக்ஞைகளைச் சேகரிக்கவும் (Harvest behavioral signals): உண்மையான கோடிங் செஷன்களின் போது ஏஜென்ட்டின் கோப்புத் திறப்பு (file-open), எடிட் மற்றும் நேவிகேஷன் செயல்பாடுகளைப் பதிவு செய்வதன் மூலம் இதைச் செய்யவும். இந்தப் பதிவுகள், நடத்தை சார்ந்த அண்டை கோப்புகளை வரையறுக்கும் "co-occurrence" மேட்ரிக்ஸிற்கான அடிப்படையாக அமைகின்றன.
  4. Ambient Path-ஐ நிரப்பவும்: தற்போதைய பணிக்கு மிகவும் பொருத்தமான சிம்பல்கள் மற்றும் கோப்புகளின் குறுகிய, வரிசைப்படுத்தப்பட்ட பட்டியலை இதில் சேர்க்கவும்.
  5. Deep Path-ஐ வெளிப்படுத்தவும்: லேசான வினவல் செயல்பாடுகளாக (query functions) இதை வழங்கவும் (உதாரணமாக, "சமீபத்திய செஷன்களில் ஒன்றாக எடிட் செய்யப்பட்ட கோப்புகளைப் பட்டியலிடு").

வேகமான ஹூக்குகள் (Fast hooks) ஒவ்வொரு எடிட்டையும் அது நடக்கும்போதே பிடிக்கின்றன; மெதுவான பின்னணி ஸ்கேன்கள் (background sweeps) மாற்ற விகித புள்ளிவிவரங்களை மீண்டும் கணக்கிடுகின்றன. இவை இரண்டும் இணைந்து, டெவலப்பரின் பணிப்பாய்வை (workflow) பாதிக்காமல் வரைபடத்தைப் புதுப்பித்த நிலையில் வைத்திருக்கின்றன.

பயணத்தின் போது கற்றுக்கொண்ட பாடங்கள்

  • Ambient மற்றும் On-demand தகவல்களைப் பிரிக்கவும். எப்போதும் இருக்கும் சுருக்கத்தை மிகச் சிறியதாக வைத்திருப்பது டோக்கன் அதிகரிப்பைத் (token bloat) தடுக்கிறது, அதே சமயம் விரிவான வினவல்கள் விருப்பத்தேர்வாக (optional) இருக்கும்.
  • பணிக்கு ஏற்ப சூழலுக்கு முன்னுரிமை அளிக்கவும். தற்போதைய எடிட் கவனத்திற்கு ஏற்ப Ambient சிம்பல்களை வரிசைப்படுத்துவது மிகவும் பயனுள்ள பரிந்துரைகளை வழங்கும்.
  • தீவிரமாகவும் ஆனால் புத்திசாலித்தனமாகவும் புதுப்பிக்கவும். வேகமான ஹூக்குகள் அதிகப்படியான மாற்றங்களைப் பிடிக்கின்றன; அவ்வப்போது செய்யப்படும் ஸ்கேன்கள் குறைந்த அளவு மாற்றங்கள் மற்றும் உரிமையாளர் மாற்றங்களைக் கையாளுகின்றன.
  • வேகத்திற்கு லேசான பார்சிங் (Shallow parsing) சிறந்தது. ஆழமான டைப் பகுப்பாய்வு (Deep type analysis), வரைபடத்தின் முக்கிய பலனான நடத்தை சார்ந்த நுண்ணறிவை வழங்காமல், தாமதத்தை (latency) மட்டுமே ஏற்படுத்தும்.

சுருக்கம்: நிலையான அமைப்பு, git மூலம் பெறப்பட்ட வரலாறு மற்றும் நிஜ உலகப் பயன்பாடு ஆகியவற்றை ஒரு சுருக்கமான, இரு அடுக்கு அணுகல் மாதிரியாக (two-tier access model) அடுக்குவதன் மூலம், டெவலப்பர்கள் AI கோடிங் ஏஜெண்டுகளுக்கு ஒரு நிலையான கோப்புத் தள வரைபடத்தை வழங்க முடியும். எப்போதும் இருக்கும் சுருக்கத்தை மிகச் சிறியதாக வைத்திருப்பது டோக்கன் அதிகரிப்பைத் தடுக்கிறது.