AI கோடிங் பரிணாமம்: Copilot முதல் Agent Swarms வரை
AI கோடிங் மிக வேகமாக முன்னேறி வருகிறது. எளிய பரிந்துரைகள் முதல் தன்னாட்சி முகவர்கள் (autonomous agents) வரையிலான முன்னேற்றத்தை நான் கவனித்தேன்.
இதோ அதன் காலவரிசை:
2021: GitHub Copilot. இது ஒரு வரியிலான ஆட்டோ-கம்ப்ளீட் (autocomplete) வசதியை வழங்கியது. இது பொதுவான முறைகளுக்கு (standard patterns) உதவியாக இருந்தாலும், தனிப்பயனாக்கப்பட்ட தர்க்கங்களில் (custom logic) தோல்வியடைந்தது. இது உங்கள் முழுமையான கோட்பேஸையும் (codebase) அறிந்திருக்கவில்லை.
2023: சாட் அடிப்படையிலான கோடிங் (Chat-based coding). நீங்கள் ஒரு பணியை விவரித்தால், அது ஒரு செயல்பாட்டை (function) வழங்கும். ஆனால், அனைத்து சூழல்களையும் (context) நீங்களே கைமுறையாக வழங்க வேண்டும்.
2024: பல கோப்புகளைக் கையாளும் திறன் (Multi-file awareness). Cursor மற்றும் Aider போன்ற கருவிகள் பல கோப்புகளில் மாற்றங்களை ஒருங்கிணைக்கின்றன. இப்போது பெரிய அளவிலான ரீஃபாக்டரிங் (refactors) செய்ய முடியும்.
2025: முழுமையான கோட்பேஸ் முகவர்கள் (Full codebase agents). Claude Code மற்றும் Devin போன்ற கருவிகள் இலக்குகளின் அடிப்படையில் செயல்படுகின்றன. நீங்கள் ஒரு இலக்கை நிர்ணயித்தால், அது வேலையைச் செய்து முடிக்கும், நீங்கள் அதைச் சரிபார்க்கலாம். Claude Code, GitHub-ல் உள்ள 10 நிஜமான சிக்கல்களில் 9 சிக்கல்களையும் தீர்க்கிறது.
2026: முகவர் குழுக்கள் (Agent teams). பல AI அமர்வுகள் (sessions) இணைந்து செயல்படும். ஒரு தலைமை முகவர் (lead) நிபுணத்துவம் வாய்ந்த மற்ற முகவர்களை நிர்வகிப்பார். முரண்பாடுகளைத் தீர்க்க அவர்கள் நிகழ்நேரத்தில் (real time) தொடர்புகொள்வார்கள்.
OpenClaw இந்தத் துறையில் ஒரு புதிய போட்டியாளர். இது ஒரு சிறிய திட்டத்திலிருந்து வெறும் நான்கு மாதங்களில் 250,000 GitHub stars-களைப் பெற்றது.
இது வித்தியாசமாகச் செயல்படுகிறது. இது உங்கள் IDE-க்குள் இல்லை. இது உங்கள் கணினியிலேயே இயங்கும். நீங்கள் WhatsApp, Telegram அல்லது Discord மூலம் இதனுடன் பேசலாம்.
தோல்வியடையும் சோதனைகளை (failing tests) சரிசெய்ய இரவு 11 மணிக்கு நீங்கள் ஒரு செய்தியை அனுப்புகிறீர்கள். காலையில் நீங்கள் எழுந்து பார்க்கும்போது, ஒரு Pull Request தயாராக இருக்கும். டெர்மினலைத் (terminal) திறக்காமலேயே இது எப்போதும் பயன்பாட்டில் இருக்கும்.
இந்த ஆற்றலுடன் அபாயங்களும் வருகின்றன. மிகவும் நம்பிக்கையுடன் தவறான பதில்களைத் தரும் சூழலைக் கவனமாகப் பார்க்க வேண்டும்.
AI சரியாகத் தோன்றும் குறியீட்டை (code) உருவாக்குகிறது. அது கம்பைல் (compile) ஆகும் மற்றும் சோதனைகளில் தேர்ச்சி பெறும். ஆனால், உங்கள் குறிப்பிட்ட வணிகத் தர்க்கத்தை (business logic) அது தவறவிடுவதால், தயாரிப்புச் சூழலில் (production) தோல்வியடையும்.
இந்தத் துறைகளைக் கூர்ந்து கவனியுங்கள்:
- பாதுகாப்பு எல்லைகள் (Security boundaries)
- வெளிப்புற API ஒருங்கிணைப்புகள் (External API integrations)
- குறிப்பிட்ட துறை சார்ந்த தர்க்கம் (Domain-specific logic)
- எழுதப்படாத நிறுவன அறிவு சார்ந்த குறியீடு (Code relying on unwritten institutional knowledge)
பொதுவான முறைகளை (standard patterns) நம்புங்கள். விளிம்புநிலைச் சூழல்களை (edges) நுணுக்கமாகச் சோதியுங்கள்.
நாளை நான் upstream phase பற்றி விவாதிப்பேன். பெரும்பாலான குழுக்கள் AI-ன் பலனைப் பயன்படுத்துவதற்கான சிறந்த வழியைத் தவறவிடுகிறார்கள்.