Сейчас 14:00, пока вы сосредоточены на своей задаче, вот новое сообщение в Slack. «Эй, не могли бы вы дать 30 минут, чтобы объяснить, как повторно развернуть ваш сервис?» Вы прекратите работу, запланируете встречу, проведете презентацию и зададите вопросы и ответы. Это третий...
Сейчас 14:00, пока вы сосредоточены на своей задаче, вот новое сообщение в Slack. «Эй, не могли бы вы дать 30 минут, чтобы объяснить, как повторно развернуть ваш сервис?»
Вы прекратите работу, запланируете встречу, проведете презентацию и зададите вопросы и ответы. Это уже третий раз за месяц, и вы повторяете одно и то же. Этот перерыв является невидимым налогом на производительность труда.
Конечно, это обязанность старшего поколения и обслуживающего персонала. Но давайте подумаем, как сделать этот процесс более эффективным.
В последнее время команды разработчиков программного обеспечения начинают использовать другой подход. Вместо того, чтобы хранить правила в приватных чатах, они записывают эти соглашения непосредственно в репозиторий в форматах, оптимизированных для моделей большого языка (LLM).
Рассматривая базу кода как машиночитаемую фабрику знаний, команды могут делегировать «ответы на вопросы + обмен контекстом» агентам ИИ.
Выход за рамки помощника чат-бота
С развитием агентов кодирования общие рабочие процессы кодирования с использованием ИИ становятся все более «ориентированными на помощников».
Теперь разработчик пишет код и время от времени просит чат-бота сгенерировать регулярное выражение или отладить трассировку стека. Это приводит к увеличению индивидуальной пропускной способности, но оставляет коммуникацию на уровне команды.