HN-ის ჩვენება: ბეჯი, რომელიც აჩვენებს, რამდენად კარგად ჯდება თქვენი კოდების ბაზა LLM-ის კონტექსტურ ფანჯარაში

თქვენს Codebase-ს აქვს ახალი მეტრიკა, რომელიც რეალურად მნიშვნელოვანია

ათწლეულების მანძილზე დეველოპერები შეპყრობილნი იყვნენ კოდის ხაზებზე, ციკლომატიურ სირთულეზე, ტესტის დაფარვის პროცენტებზე და განლაგების სიხშირეზე. მაგრამ ახალი მეტრიკა ჩუმად ცვლის ინჟინერიის გუნდების აზროვნებას თავიანთი კოდების ბაზებზე: კონტექსტური ფანჯრის მორგება — თქვენი მთლიანი კოდების ბაზის პროცენტი, რომელიც LLM-ს შეუძლია შეისწავლოს ერთ მოთხოვნაში. ეს მოტყუებით მარტივად ჟღერს, მაგრამ ეს რიცხვი ხდება ერთ-ერთი ყველაზე პრაქტიკული ინდიკატორი იმისა, თუ რამდენად ეფექტურად შეუძლია თქვენს გუნდს გამოიყენოს ხელოვნური ინტელექტის დახმარებით განვითარების ინსტრუმენტები. და თუ ამას უგულებელყოფთ, პროდუქტიულობის მნიშვნელოვან მიღწევებს ტოვებთ მაგიდაზე.

იდეამ ცოტა ხნის წინ დაიპყრო დეველოპერთა საზოგადოებებში მას შემდეგ, რაც გაჩნდა პროექტი, რომელიც ქმნის მარტივ სამკერდე ნიშანს - არა განსხვავებით თქვენი ნაცნობი build-passing ან დაფარვის ფარებისგან - რომელიც აჩვენებს ზუსტად რამდენად ჯდება თქვენი საცავი პოპულარული LLM კონტექსტური ფანჯრების შიგნით. ამან გამოიწვია საოცრად მდიდარი საუბარი კოდების ბაზის არქიტექტურაზე, მონორეპოსზე მიკროსერვისების წინააღმდეგ და უნდა შეგვექმნა თუ არა ჩვენი კოდი ხელოვნური ინტელექტის გაგებისთვის. შედეგები უფრო ღრმაა, ვიდრე დეველოპერების უმეტესობა თავდაპირველად ხვდება.

რა კონტექსტური ფანჯრის მორგება რეალურად ზომავს

ყველა დიდი ენობრივი მოდელი მუშაობს სასრულ კონტექსტურ ფანჯარაში - ტექსტის მაქსიმალური რაოდენობა, რომელსაც შეუძლია ერთდროულად დაამუშაოს. GPT-4 Turbo უმკლავდება დაახლოებით 128K ჟეტონს. კლოდის უახლესი მოდელები 200 ათას ტოკენს აჭარბებს. ტყუპები მილიონზე მეტს ითხოვენ. როდესაც თქვენს კოდის ბაზას ერთ-ერთ ამ მოდელს აწვდით ანალიზისთვის, შემოთავაზებების რეფაქტორაციისთვის ან შეცდომების აღმოსაჩენად, მოდელს შეუძლია მხოლოდ „ნახოს“ ის, რაც ჯდება ამ ფანჯარაში. ყველაფერი მის მიღმა უხილავია, თითქოს არ არსებობს.

კონტექსტური ფანჯრის მორგება ზომავს თანაფარდობას თქვენი კოდის ბაზის მთლიან ზომასა (ტოკენებში) და მოცემული მოდელის კონტექსტურ ფანჯარას შორის. საცავი, რომელიც 80 ათასი ტოკენის ტოკენიზირებას ახდენს, აღწევს 100% მორგებას 200K-ტოკენის მოდელში – AI-ს შეუძლია თქვენი მთელი პროექტის გაგება ერთი პასით. 2 მილიონიანი მონორეპო? თქვენ უყურებთ ერთნიშნა პროცენტებს, რაც ნიშნავს, რომ ხელოვნური ინტელექტი მუშაობს ფრაგმენტებთან და არასოდეს ესმის სრული სურათი. ეს განსხვავება უაღრესად მნიშვნელოვანია ხელოვნური ინტელექტის მიერ გენერირებული კოდის შეთავაზებების, არქიტექტურული მიმოხილვებისა და ავტომატური რეფაქტორაციის ხარისხისთვის.

ბეჯის კონცეფცია აყალიბებს ამას ხილულ, გასაზიარებელ მეტრად. ჩადეთ ის თქვენს README-ში თქვენი CI სტატუსისა და დაფარვის პროცენტის გვერდით. ის ეუბნება კონტრიბუტორებსა და შემსრულებლებს რაღაც ჭეშმარიტად სასარგებლოს: რამდენად არის AI-თან დაკავშირებული ეს კოდების ბაზა?

რატომ ცვლის ეს მეტრიკა, როგორ ქმნიან გუნდები პროგრამულ უზრუნველყოფას

პროგრამული უზრუნველყოფის არქიტექტურის გადაწყვეტილებები ყოველთვის განპირობებული იყო ადამიანის შეშფოთებით - წაკითხვისუნარიანობა, შენარჩუნება, შესრულება, გუნდის სტრუქტურა. კონტექსტური ფანჯრის მორგება ახალ დაინტერესებულ მხარეს შემოაქვს ამ საუბრებში: AI წყვილი პროგრამისტი. როდესაც თქვენი მთელი კოდების ბაზა ჯდება კონტექსტურ ფანჯარაში, AI ინსტრუმენტებს შეუძლიათ მსჯელობა ჯვარედინი შეშფოთების შესახებ, განსაზღვრონ დამოკიდებულების დახვეწილი ჯაჭვები და შემოგთავაზონ ცვლილებები, რომლებიც ითვალისწინებს სრულ სისტემას. როდესაც ეს ასე არ არის, თქვენ არსებითად სთხოვთ ხელოვნურ ინტელექტს თქვენი სამზარეულოს გადაკეთებას და მხოლოდ აბაზანას უჩვენებს მას.

ამას პრაქტიკული შედეგები მოჰყვება, რასაც ინჟინერიის ლიდერები სერიოზულად იწყებენ. გუნდები, რომლებსაც აქვთ მაღალი კონტექსტში მორგებული ქულები, აცხადებენ საზომად უკეთეს შედეგებს AI კოდების განხილვის ხელსაწყოებიდან. შეცდომების გამოვლენის სიხშირე უმჯობესდება, რადგან მოდელს შეუძლია აკონტროლოს შესრულების გზები ფაილებში. რეფაქტორირების წინადადებები ხდება არქიტექტურულად გამართული და არა ლოკალურად ოპტიმალური, მაგრამ გლობალურად დესტრუქციული. საშუალო ზომის SaaS-ის ერთ-ერთმა საინჟინრო ჯგუფმა დააფიქსირა 40%-იანი შემცირება ხელოვნური ინტელექტის მიერ შემოთავაზებული რეგრესიაში მას შემდეგ, რაც თავისი მონორეპო დაყო პატარა, კონტექსტური ფანჯრის შესაფერის სერვისებად.

მეტრიკა ასევე ქმნის იძულებით ფუნქციას კარგი საინჟინრო პრაქტიკისთვის, რომელსაც გუნდები მაინც უნდა მისდიონ. კოდების ბაზებს, რომლებიც კარგად აფასებენ კონტექსტური ფანჯრის მორგებას, ჩვეულებრივ აქვთ უფრო სუფთა მოდულის საზღვრები, ნაკლებად მკვდარი კოდი, პრობლემების უკეთესი გამიჯვნა და უფრო ფოკუსირებული საცავი. ხელოვნური ინტელექტის გაგების მეტრიკა მთავრდება კოდის მთლიანი სიჯანსაღის პროქსი.

არქიტექტურული შედეგები არავის ელოდა

საუბარს კონტექსტური ფანჯრის მორგების ირგვლივ აღადგინა დებატები მონორეპოსა და პოლირეპოს შორის სრულიად ახალი განზომილებით. Monorepo-ს დამცველები დიდი ხანია ამტკიცებენ, რომ ყველაფრის ერთ საცავში შენახვა ამარტივებს დამოკიდებულების მენეჯმენტს, საშუალებას აძლევს ატომური ვალდებულებების შესრულებას სხვადასხვა სერვისებში და ამცირებს ინტეგრაციის ტკივილს. მაგრამ როდესაც თქვენი მონორეპო 5 მილიონ ჟეტონამდე ტოკენიზდება და საუკეთესო ხელმისაწვდომი კონტექსტური ფანჯარა არის 200K, თქვენ შექმენით კოდის ბაზა, რომელსაც ვერც ერთი AI ინსტრუმენტი ვერ აცნობიერებს სრულად.

ეს არ ნიშნავს, რომ მონორეპოები მკვდარია - შორს. ჭკვიანი გუნდები შუა გზას პოულობენ. სტრატეგიები, რომლებიც ჩნდება მოიცავს:

• ინტელექტუალური დანგრევა: .contextignore ფაილების გამოყენება (მსგავსი .gitignore) გენერირებული კოდის, გამყიდველის დამოკიდებულებებისა და სატესტო მოწყობილობების ხელოვნური ინტელექტის ანალიზიდან გამოსარიცხად
• მოდულის დონის კონტექსტური რუქები: მსუბუქი მანიფესტების შექმნა, რომელიც ეხმარება ხელოვნური ინტელექტის ინსტრუმენტებს იმის გაგებაში, თუ რომელი ფაილი რომელ ფუნქციებს ეხება ყველაფრის ჩატვირთვის გარეშე
• არქიტექტურული დოკუმენტაცია, როგორც კონტექსტი: მათ შორის ლაკონური არქიტექტურული გადაწყვეტილების ჩანაწერები (ADRs), რომლებიც აძლევენ AI-ს სტრუქტურულ გაგებას და არ საჭიროებს მას მხოლოდ კოდიდან კავშირების დასკვნას
• სერვისის სტრატეგიული მოპოვება: ჭეშმარიტად დამოუკიდებელი მოდულების დაყოფა ცალკეულ საცავებში, როდესაც მათ არ აქვთ რეალური შეშფოთება ძირითადი სისტემის მიმართ

მთავარი მოსაზრება არის ის, რომ კონტექსტური ფანჯრის მორგებისთვის ოპტიმიზაცია არ არის თქვენი კოდების ბაზის დაპატარავება — ეს არის მისი უფრო გასაგები გახდომა, როგორც AI ინსტრუმენტებისთვის, ასევე ადამიანებისთვის, რომლებიც მუშაობენ მათთან ერთად.

საკუთარი კოდების ბაზის გაზომვა: პრაქტიკული ჩარჩო

სანამ დაიწყებთ მთელი სისტემის რეფაქტორირებას ბეჯების მეტრიკის დასადევნად, ღირს იმის გაგება, თუ როგორ უნდა გაზომოთ კონტექსტური ფანჯრის მორგება. თქვენი მთელი საცავის ნედლეული ტოკენის რაოდენობა არის საწყისი წერტილი, მაგრამ ეს ბლაგვი ინსტრუმენტია. უფრო ნიუანსური მიდგომა ითვალისწინებს იმას, რაც რეალურად უნდა ნახოს AI-მ სხვადასხვა ამოცანებისთვის.

"ნამდვილი კითხვა ის არ არის, ჯდება თუ არა თქვენი მთელი კოდების ბაზა კონტექსტურ ფანჯარაში, არამედ ჯდება თუ არა შესაბამისი კონტექსტი ნებისმიერი მოცემული ამოცანისთვის. კარგად სტრუქტურირებული კოდების ბაზა მკაფიო საზღვრებით საშუალებას აძლევს AI ინსტრუმენტებს ჩატვირთონ ზუსტად ის, რაც მათ სჭირდებათ, მაშინაც კი, თუ მთლიანი საცავი მასიურია."

💡 DID YOU KNOW?

Mewayz replaces 8+ business tools in one platform

CRM · Invoicing · HR · Projects · Booking · eCommerce · POS · Analytics. Free forever plan available.

Start Free →

პრაქტიკული გაზომვის მისაღებად, დაიწყეთ თქვენი ძირითადი აპლიკაციის კოდის ტოკენიზირებით - node_modules, გამყიდველის დირექტორიების, არტეფაქტების და გენერირებული ფაილების გამოკლებით. თანამედროვე ტოკენიზერების უმეტესობას (როგორიცაა OpenAI-ის tiktoken ან Anthropic-ის გამოქვეყნებული ტოკენების დათვლის მეთოდები) შეუძლია დირექტორია წამებში დაამუშავოს. შეადარეთ შედეგი იმ მოდელების კონტექსტურ ფანჯრებთან, რომლებსაც თქვენი გუნდი რეალურად იყენებს. თუ თქვენი ძირითადი აპლიკაციის კოდი ჯდება ერთ კონტექსტურ ფანჯარაში, სადაც საკმარისია მოთხოვნები და ინსტრუქციები, თქვენ შესანიშნავ ფორმაში ხართ. თუ ის აჭარბებს ფანჯარას 2-5-ჯერ, საჭირო იქნება სტრატეგიული დაშლა. 10x-ს მიღმა, თქვენ მოგინდებათ ინვესტიცია განახორციელოთ არქიტექტურულ ცვლილებებში ან სპეციალიზებულ RAG-ში (აღდგენით გაძლიერებული თაობის) მილსადენებში, რათა AI ინსტრუმენტები ეფექტური გახადოთ.

გუნდებისთვის, რომლებიც აშენებენ ისეთ პლატფორმებზე, როგორიცაა Mewayz, სადაც მოდულური არქიტექტურა უკვე ჰყოფს შეშფოთებას განსხვავებულ მოდულებად - CRM, ინვოისის შედგენა, HR, ანალიტიკა და 200-ზე მეტი სხვა - ეს გაზომვა განსაკუთრებით საინტერესო ხდება. თითოეული მოდული ფუნქციონირებს როგორც დამოუკიდებელი ერთეული მკაფიო ინტერფეისით, რომელიც ბუნებრივად ასახავს კონტექსტური ფანჯრის მეგობრულ ნაწილებს. ეს არის არქიტექტურული ნიმუში, რომელიც უხდის დივიდენდებს როგორც ადამიანის შენარჩუნებისთვის, ასევე ხელოვნური ინტელექტის გაგებისთვის.

რაზე მსჯელობს რეალურად დეველოპერთა საზოგადოება

Hacker News-ის დისკუსიამ კონტექსტური ფანჯრის სამკერდე ნიშნების გარშემო წარმოაჩინა რამდენიმე მომხიბლავი დაძაბულობა დეველოპერთა საზოგადოებაში. პირველი ფილოსოფიურია: უნდა შევქმნათ კოდი ხელოვნური ინტელექტის მოხმარებისთვის? პურისტები ამტკიცებენ, რომ კოდი ჯერ ადამიანებისთვის უნდა დაიწეროს და AI ინსტრუმენტები უნდა მოერგოს. პრაგმატისტები ამტკიცებენ, რომ თუ მარტივი არქიტექტურული არჩევანი თქვენს გუნდს 30%-ით უფრო პროდუქტიულს ხდის AI ინსტრუმენტებით ადამიანის წაკითხვისთვის ნულოვანი ხარჯით, ამის გაკეთებაზე უარის თქმა ინჟინერიაზე იდეოლოგიაა.

მეორე დებატები ეძღვნება იმაზე, არის თუ არა კონტექსტური ფანჯრის მორგება თუნდაც სტაბილური მეტრიკა, რომლის თვალყურის დევნება ღირს. კონტექსტური ფანჯრები ექსპონენტურად გაიზარდა - 4K ტოკენიდან ადრეულ GPT-3.5-მდე მილიონზე მეტს Gemini 1.5 Pro-ში. თუ ფანჯრები განაგრძობენ გაფართოებას, დღევანდელი „არ ჯდება“ ხვალინდელი „იოლად ჯდება“. მაგრამ გამოცდილი ინჟინრები აღნიშნავენ, რომ მასიური კონტექსტური ფანჯრების შემთხვევაშიც კი, მოდელის შესრულება მცირდება კონტექსტის სიგრძესთან ერთად. მოდელი, რომელიც ამუშავებს ფოკუსირებული, შესაბამისი კოდის 50 ათასი ჟეტონს, აჯობებს იმავე მოდელს, რომელიც ამუშავებს ვრცელი მონორეპოს 500 ათასი ტოკენს, მაშინაც კი, თუ ორივე ტექნიკურად "ჯდება". კონტექსტის ხარისხს ისევე აქვს მნიშვნელობა, როგორც რაოდენობას.

მესამე, უფრო პრაქტიკული საუბარი ტრიალებს ხელსაწყოების გარშემო. დეველოპერებს სურთ კონტექსტში გაცნობიერებული IDE ინტეგრაციები, რომლებიც ავტომატურად განსაზღვრავენ, რომელ ფაილებს შეიცავენ კოდის AI-ზე გაგზავნისას. მათ სურთ საცავის დონის ინტელექტი, რომელიც ესმის მოდულის საზღვრებს ხელით კონფიგურაციის გარეშე. რამდენიმე ღია კოდის პროექტი ახლა აგვარებს ზუსტად ამ პრობლემას და აყალიბებს „კონტექსტის შემდგენელებს“, რომლებიც აგროვებენ ფაილების ოპტიმალურ კომპლექტს ნებისმიერი მოცემული AI-ს დახმარებით.

გადაქცევა კონკურენტულ უპირატესობად

ბიზნესებისთვის — და არა მხოლოდ დეველოპერების გუნდებისთვის — კონტექსტური ფანჯრის მორგება ქვედინაზე გასაგებად მიგვანიშნებს. კომპანიები, რომლებიც აგზავნიან პროგრამულ უზრუნველყოფას უფრო სწრაფად, ნაკლები შეცდომებით, დაბალ ფასად, იმარჯვებენ თავიანთ ბაზრებზე. ხელოვნური ინტელექტის დახმარებით განვითარება არის ნამდვილი ძალის მულტიპლიკატორი, მაგრამ მხოლოდ მაშინ, როდესაც ძირითადი კოდების ბაზა სტრუქტურირებულია, რომ ისარგებლოს ამით. ორგანიზაციები, რომლებიც ინვესტირებას ახდენენ ხელოვნური ინტელექტის შესაფერის კოდების ბაზებში დღეს, ქმნიან კომპოზიციურ უპირატესობებს, რომლებიც დროთა განმავლობაში გაფართოვდება.

ეს პრინციპი სცილდება სუფთა პროგრამული უზრუნველყოფის კომპანიებს. ბიზნესები, რომლებიც მუშაობენ ისეთ პლატფორმებზე, როგორიცაა Mewayz, რომელიც აერთიანებს CRM-ს, ინვოისის შედგენას, ხელფასს, HR, ფლოტის მენეჯმენტს და ანალიტიკას ერთ მოდულურ სისტემაში, სარგებლობენ იგივე ფილოსოფიით ოპერატიულ დონეზე. როდესაც თქვენი ბიზნესის მონაცემები ცხოვრობს კარგად სტრუქტურირებულ, ურთიერთდაკავშირებულ მოდულებში, ვიდრე მიმოფანტული 15 გათიშულ SaaS ინსტრუმენტზე, AI-ს შეუძლია თქვენი მთელი ოპერაციის შესახებ მსჯელობა - გაყიდვების, მხარდაჭერისა და ფინანსების შაბლონების იდენტიფიცირება, რომლებიც შეუმჩნეველი იქნება სილიდურ სისტემებში. იგივე პრინციპი, რომელიც კოდების ბაზას AI-ს ხდის, ხდის ბიზნესს AI-ს: მკაფიო სტრუქტურა, სუფთა საზღვრები და ყოვლისმომცველი კონტექსტი.

ინჟინერიის ლიდერებისთვის პრაქტიკული მიღება მარტივია. დაიწყეთ თქვენი კონტექსტური ფანჯრის მორგების გაზომვა დღეს - თუნდაც არაფორმალურად. დაამატეთ იგი თქვენს საინჟინრო ჯანმრთელობის საინფორმაციო დაფებში, აშენების დროებთან და ტესტის გაშუქებასთან ერთად. გამოიყენეთ იგი, როგორც ერთი შეყვანა (არა ერთადერთი შენატანი) არქიტექტურული გადაწყვეტილებების მიღებისას. და აღიარეთ, რომ კოდების ბაზები, რომლებიც ყველაზე მეტ სარგებელს მიიღებს AI განვითარების ინსტრუმენტების შემდეგი თაობისგან, არის ის, რაც სტრუქტურირებულია გასაგებად ახლავე.

ბეჯი არის საუბრის დამწყები და არა დანიშნულება

README სამკერდე ნიშანი, რომელიც აჩვენებს "87% კონტექსტში მორგებას — Claude 200K" მცირე რამ არის. გენერირებას წამები სჭირდება და თქვენს საპროექტო დოკუმენტაციაში ერთ ხაზს იკავებს. მაგრამ ის, რაც წარმოადგენს - მიზანმიმართული, გაზომვადი ვალდებულება კოდების ბაზის გასაგებად - მიანიშნებს რაღაც მნიშვნელოვანზე საინჟინრო გუნდის პრიორიტეტებზე. ის ამბობს: ჩვენ ვფიქრობთ იმაზე, თუ როგორ გაიგებს ჩვენს კოდს არა მხოლოდ შემდეგი დეველოპერი, არამედ ხელოვნური ხელოვნური ინტელექტის სისტემები, რომლებიც სულ უფრო მეტად შედიან განვითარების ყოველი სამუშაო პროცესის ნაწილი.

ამ ტენდენციის ყველაზე ღირებული შედეგი თავად ბეჯი არ არის. ეს არის საუბრები, რომელსაც ის აფრქვევს არქიტექტურის მიმოხილვის, სპრინტის დაგეგმვისა და ტექნიკური დავალიანების განხილვის დროს. როდესაც „კონტექსტური ფანჯრის მორგება“ ხდება თქვენი საინჟინრო ლექსიკის ნაწილი, თქვენ იწყებთ გადაწყვეტილებების მიღებას, რომლებიც შეესაბამება ყველაფერს, რაც ჩვენ ვიცით კარგი პროგრამული უზრუნველყოფის დიზაინის შესახებ ათწლეულების განმავლობაში: პატარა, ორიენტირებული მოდულები მკაფიო ინტერფეისით და მინიმალური შეერთებით. ხელოვნური ინტელექტის რევოლუციამ არ გამოიგონა ეს პრინციპები. მაგრამ ეს აძლევს გუნდებს ახალ, რაოდენობრივად განსაზღვრულ მიზეზს, რათა საბოლოოდ მიჰყვნენ მათ.

ხშირად დასმული კითხვები

რა არის კონტექსტური ფანჯრის მორგება და რატომ აქვს მას მნიშვნელობა?

კონტექსტური ფანჯრის მორგება ზომავს თქვენი კოდების ბაზის რამდენი პროცენტის დამუშავებას LLM-ს შეუძლია ერთ მოთხოვნაში. უფრო მაღალი პროცენტი ნიშნავს, რომ ხელოვნური ინტელექტის ინსტრუმენტებს შეუძლიათ ერთდროულად გაიგონ თქვენი პროექტის შესახებ, რაც გამოიწვევს უკეთესი კოდის შეთავაზებას, უფრო ზუსტ რეფაქტორირებას და ნაკლებ ჰალუცინაციას. როდესაც ხელოვნური ინტელექტის დახმარებით განვითარება ხდება სტანდარტული, ეს მეტრიკა პირდაპირ გავლენას ახდენს იმაზე, თუ რამდენად პროდუქტიული შეიძლება იყოს თქვენი გუნდი ისეთი ინსტრუმენტებით, როგორიცაა Copilot, Cursor და Claude.

როგორ შევამოწმო ჩემი codebase-ის კონტექსტური ფანჯრის მორგება?

თქვენი საცავისთვის ვიზუალური ინდიკატორის შესაქმნელად შეგიძლიათ გამოიყენოთ Hacker News-ზე გაზიარებული სამკერდე ინსტრუმენტი. ის ითვლის თქვენი კოდის ბაზის საერთო რაოდენობას და ადარებს მას პოპულარულ LLM კონტექსტურ ფანჯრებთან. ბეჯი აჩვენებს პროცენტულ ქულას, რომელიც შეგიძლიათ ჩასვათ თქვენს README-ში, რაც კონტრიბუტორებსა და დაინტერესებულ მხარეებს აძლევს მყისიერ სურათს იმის შესახებ, თუ რამდენად მზად არის თქვენი პროექტი AI-ისთვის.

რა სტრატეგიები აუმჯობესებს კოდის ბაზის კონტექსტური ფანჯრის მორგების ქულებს?

ფოკუსირება მოდულურ არქიტექტურაზე, პრობლემების მკაფიო გამიჯვნასა და მკვდარი კოდის აღმოფხვრაზე. კარგად სტრუქტურირებული მონორეპოები ლოგიკური საზღვრებით LLM-ებს საშუალებას აძლევს დამოუკიდებლად დაამუშაონ შესაბამისი მოდულები. კოდების დუბლირების შემცირება, ფაილების ლაკონური შენახვა და სუფთა დამოკიდებულების ხეების შენარჩუნება ხელს უწყობს. პლატფორმები, როგორიცაა Mewayz ამ პრინციპის დემონსტრირებას ახდენს - 207 მოდულის შეფუთვა გამარტივებულ ბიზნეს ოპერაციულ ოპერაციულ სისტემაში, რომელიც შექმნილია შენარჩუნებისა და ეფექტურობისთვის.

მცირე კოდების ბაზა ყოველთვის ნიშნავს უკეთეს AI თავსებადობას?

არ არის აუცილებელი. უფრო პატარა კოდების ბაზა ჩახლართული დამოკიდებულებებით და ცუდი დოკუმენტაციით შეიძლება უფრო რთული იყოს LLM-ებისთვის მსჯელობა, ვიდრე უფრო დიდი, კარგად ორგანიზებული. მთავარია, რამდენად ჯდება შესაბამისი კონტექსტი ფანჯარაში. სუფთა აბსტრაქციები, დასახელების თანმიმდევრული კონვენციები და მოდულური დიზაინი საშუალებას აძლევს AI ინსტრუმენტებს ეფექტურად იმუშაონ მაშინაც კი, როდესაც მათ არ შეუძლიათ კოდის ყველა ხაზის ერთდროულად მიღება.