మీ రోజువారీ డెవలప్మెంట్ వర్క్ఫ్లోలో AIని ఉపయోగించడం
AI ఇంజనీరింగ్ నిర్ణయ సామర్థ్యాన్ని (engineering judgment) భర్తీ చేయదు. ఇది సమస్యలో చిక్కుకున్న సమయం నుండి పరిష్కారం దొరికే సమయాన్ని తగ్గిస్తుంది.
AIని "కోడ్ను మెరుగుపరచు" అని అడగడం ఆపండి. దానికి బదులుగా ఈ ఐదు ఆచరణాత్మక పద్ధతులను ఉపయోగించండి.
- పెర్ఫార్మెన్స్ బాటిల్నెక్స్ను (performance bottlenecks) గుర్తించండి మీ ఆడిట్ల కోసం చెక్లిస్ట్లను రూపొందించడానికి AIని ఉపయోగించండి. ఈ క్రింది నిర్దిష్ట కొలతల గురించి అడగండి:
- డేటాబేస్ కాల్ కౌంట్లు (Database call counts)
- నెట్వర్క్ వాటర్ఫాల్స్ (Network waterfalls)
- బండిల్ సైజులు (Bundle sizes)
- RUM మరియు సర్వర్ టైమింగ్స్ (RUM and server timings)
- Lighthouse స్కోర్లు (Lighthouse scores)
- ఊహించని టెస్ట్ కేసులను రూపొందించండి AIకి ఒక ఫంక్షన్ సిగ్నేచర్ (function signature) లేదా స్పెసిఫికేషన్ను ఇవ్వండి. వీటిని అడగండి:
- బౌండరీ కేసులు (Boundary cases)
- వింత ఇన్పుట్లు (Strange inputs)
- రేస్ కండిషన్స్ (Race conditions)
- ప్రాపర్టీ-బేస్డ్ టెస్టింగ్ ఐడియాలు (Property-based testing ideas) విశ్వసనీయతను పెంచడానికి ఈ సూచనలను నిజమైన టెస్ట్లుగా మార్చండి.
- పరిమితులతో రిఫ్యాక్టర్ (Refactor) చేయండి అస్పష్టమైన ప్రాంప్ట్లు తప్పుడు కోడ్కు దారితీస్తాయి. నిర్దిష్ట సూచనలను ఉపయోగించండి:
- "ప్రవర్తనను మార్చకుండా సైక్లోమాటిక్ కాంప్లెక్సిటీని (cyclomatic complexity) తగ్గించండి."
- "ప్యూర్ ఫంక్షన్లను (pure functions) వేరు చేయండి మరియు సైడ్ ఎఫెక్ట్స్ను (side effects) స్పష్టంగా చూపండి."
- "పబ్లిక్ APIని అలాగే ఉంచి, నేమింగ్ను మెరుగుపరచండి." పరిమితులు ఉండటం వల్ల అవుట్పుట్ను రివ్యూ చేయడం సులభమవుతుంది.
- సందర్భోచిత వివరణలను అడగండి మీరు మీ ప్రాజెక్ట్ వివరాలను అందించినప్పుడు, AI మీకు వేగంగా నేర్చుకోవడంలో సహాయపడుతుంది. ఇలా అడగండి:
- "StrictModeలో ఈ React రెండర్ రెండుసార్లు ఎందుకు జరుగుతుంది?"
- "ఈ SQL క్వెరీ ప్లాన్ ఆధారంగా, లాగ్ (lag) రావడానికి కారణం ఏమిటి?"
- "ఈ నిర్దిష్ట కోడ్బేస్లో ఈ వాలిడేషన్ను నేను ఎక్కడ ఉంచాలి?"
- వాలిడేషన్ లూప్ను అనుసరించండి AI తరచుగా చాలా నమ్మకంగా తప్పుడు వివరాలను అందిస్తుంది. ఈ నియమాలను పాటించండి:
- అది కంపైల్ అయితే, దాన్ని టెస్ట్ చేయండి.
- అది సెక్యూరిటీకి సంబంధించినదైతే, రెండుసార్లు రివ్యూ చేయండి.
- అది ఏదైనా వాస్తవాన్ని చెబితే, మూలాన్ని (source) తనిఖీ చేయండి.
మెరుగైన ఫలితాల కోసం ఈ ప్రాంప్ట్ టెంప్లేట్ను ఉపయోగించండి:
- లక్ష్యం (Goal): మీరు సాధించాలనుకుంటున్నది.
- సందర్భం (Context): మీ లాంగ్వేజ్ మరియు ఫ్రేమ్వర్క్.
- ఇన్పుట్ (Input): మీ కోడ్, లాగ్లు లేదా ఎర్రర్లు.
- అవుట్పుట్ ఫార్మాట్ (Output format): బుల్లెట్లు, స్టెప్స్ లేదా ఒక డిఫ్ (diff).
- పరిమితులు (Constraints): పెర్ఫార్మెన్స్, రీడబిలిటీ లేదా కొత్త డిపెండెన్సీలు ఉండకూడదు.
ఉదాహరణ: లక్ష్యం (Goal): API లాటెన్సీని తగ్గించడం. సందర్భం (Context): Node.js మరియు Postgres. ఇన్పుట్ (Input): ఎండ్పాయింట్ కోడ్ మరియు క్వెరీ. అవుట్పుట్ (Output): 5 మెరుగుదలల జాబితా. పరిమితులు (Constraints): ఈ స్ప్రింట్లో స్కీమా మార్పులు ఉండకూడదు.
మీరు మీ రోజువారీ పనిలో AIని ఎలా ఉపయోగిస్తారు?
మూలం: https://dev.to/imkrunal/using-ai-in-your-daily-dev-workflow-without-the-hype-57b1
ఐచ్ఛిక అభ్యాస సమూహం: https://t.me/GyaanSetuAi