உங்கள் அன்றாட டெவலப்மென்ட் பணிப்பாய்வில் (Dev Workflow) AI-ஐப் பயன்படுத்துதல்
AI பொறியியல் முடிவெடுக்கும் திறனுக்கு (engineering judgment) மாற்றாகாது. இது ஒரு சிக்கலில் சிக்கிக்கொண்டதற்கும், அதற்கான தீர்வை കണ്ടെത്തുന്നதற்கும் இடையிலான நேரத்தைக் குறைக்கிறது.
AI-யிடம் "கோடை மேம்படுத்து" (make code better) என்று கேட்பதை நிறுத்துங்கள். அதற்குப் பதிலாக இந்த ஐந்து நடைமுறை முறைகளைப் பயன்படுத்துங்கள்.
- செயல்திறன் தடைகளை (performance bottlenecks) கண்டறியுங்கள் உங்கள் தணிக்கைகளுக்கான (audits) சரிபார்ப்புப் பட்டியல்களை உருவாக்க AI-ஐப் பயன்படுத்துங்கள். பின்வருவன போன்ற குறிப்பிட்ட அளவீடுகளைக் கேளுங்கள்:
- Database call counts
- Network waterfalls
- Bundle sizes
- RUM மற்றும் server timings
- Lighthouse மதிப்பெண்கள்
- எதிர்பாராத சோதனை நிகழ்வுகளை (test cases) உருவாக்குங்கள் ஒரு function signature அல்லது ஒரு specification-ஐ AI-யிடம் கொடுங்கள். பின்வருவனவற்றைக் கேளுங்கள்:
- Boundary cases
- விசித்திரமான உள்ளீடுகள் (Strange inputs)
- Race conditions
- Property-based testing யோசனைகள் நம்பகத்தன்மையை மேம்படுத்த இந்த ஆலோசனைகளை உண்மையான சோதனைகளாக மாற்றவும்.
- கட்டுப்பாடுகளுடன் ரீஃபாக்டர் (Refactor) செய்யுங்கள் தெளிவற்ற ப்ராம்ப்ட்கள் (prompts) மோசமான கோடிற்கு வழிவகுக்கும். குறிப்பிட்ட அறிவுறுத்தல்களைப் பயன்படுத்துங்கள்:
- "செயல்பாட்டை மாற்றாமல், cyclomatic complexity-ஐக் குறைக்கவும்."
- "Pure functions-களைப் பிரித்தெடுத்து, side effects-களைத் தெளிவாகக் காட்டவும்."
- "Public API-ஐ அப்படியே வைத்துக்கொண்டு, பெயரிடலை (naming) மேம்படுத்தவும்." கட்டுப்பாடுகள் வெளியீட்டை (output) ஆய்வு செய்ய எளிதாக்குகின்றன.
- சூழலுக்கு ஏற்ற விளக்கங்களைக் கேளுங்கள் உங்கள் திட்டத்தின் விவரங்களை வழங்கும்போது, AI நீங்கள் விரைவாகக் கற்க உதவுகிறது. இதைக் கேளுங்கள்:
- "StrictMode-இல் இந்த React render ஏன் இரண்டு முறை நடக்கிறது?"
- "இந்த SQL query plan-இன் அடிப்படையில், தாமதத்திற்கு (lag) காரணம் என்ன?"
- "இந்த குறிப்பிட்ட codebase-இல் இந்த validation-ஐ எங்கு வைக்க வேண்டும்?"
- சரிபார்ப்புச் சுழற்சியைப் (validation loop) பின்பற்றுங்கள் AI பெரும்பாலும் அதிக நம்பிக்கையுடன் தவறான விவரங்களைத் தரும். இந்த விதிகளைப் பின்பற்றுங்கள்:
- அது கம்பைல் (compile) ஆனால், அதைச் சோதித்துப் பாருங்கள்.
- அது பாதுகாப்பைப் (security) பற்றியது என்றால், அதை இருமுறை ஆய்வு செய்யுங்கள்.
- அது ஒரு உண்மையைச் சொன்னால், ஆதாரத்தைச் சரிபார்க்கவும்.
சிறந்த முடிவுகளுக்கு இந்த ப்ராம்ப்ட் டெம்ப்ளேட்டைப் (prompt template) பயன்படுத்துங்கள்:
- Goal: நீங்கள் எதைச் சாதிக்க விரும்புகிறீர்கள்.
- Context: உங்கள் மொழி மற்றும் framework.
- Input: உங்கள் கோட், லாக்ஸ் (logs) அல்லது பிழைகள் (errors).
- Output format: புல்லட்கள், படிகள் அல்லது ஒரு diff.
- Constraints: செயல்திறன், வாசிப்புத்திறன் அல்லது புதிய சார்புகள் (dependencies) இல்லாமலிருக்க வேண்டும்.
உதாரணம்: Goal: API தாமதத்தைக் (latency) குறைக்கவும். Context: Node.js மற்றும் Postgres. Input: Endpoint கோட் மற்றும் query. Output: 5 மேம்பாடுகளின் பட்டியல். Constraints: இந்த sprint-இல் schema மாற்றங்கள் இருக்கக்கூடாது.
உங்கள் அன்றாட வேலையில் AI-ஐ எவ்வாறு பயன்படுத்துகிறீர்கள்?
மூலம்: https://dev.to/imkrunal/using-ai-in-your-daily-dev-workflow-without-the-hype-57b1
விருப்பமான கற்றல் சமூகம்: https://t.me/GyaanSetuAi