ສະແດງ HN: ປ້າຍທີ່ສະແດງໃຫ້ເຫັນວ່າ codebase ຂອງທ່ານເຫມາະກັບຫນ້າຕ່າງບໍລິບົດຂອງ LLM

ຖານລະຫັດຂອງທ່ານມີເມຕຣິກໃໝ່ທີ່ຈິງແລ້ວ

ເປັນ​ເວລາ​ຫຼາຍ​ທົດ​ສະ​ວັດ​ແລ້ວ, ຜູ້​ພັດ​ທະ​ນາ​ໄດ້​ຝັງ​ໃຈ​ຢູ່​ໃນ​ເສັ້ນ​ຂອງ​ລະ​ຫັດ, ຄວາມ​ສັບ​ສົນ​ຂອງ cyclomatic, ອັດ​ຕາ​ສ່ວນ​ການ​ຄຸ້ມ​ຄອງ​ການ​ທົດ​ສອບ, ແລະ​ຄວາມ​ຖີ່​ຂອງ​ການ​ນຳ​ໃຊ້. ແຕ່ຕົວຊີ້ວັດໃໝ່ກຳລັງປ່ຽນແປງຢ່າງງຽບໆວ່າທີມວິສະວະກອນຄິດແນວໃດກ່ຽວກັບ codebases ຂອງເຂົາເຈົ້າ: context window fit — ເປີເຊັນຂອງ codebase ທັງໝົດຂອງເຈົ້າທີ່ LLM ສາມາດຍ່ອຍໄດ້ໃນອັນດຽວ. ມັນຟັງຄືເປັນເລື່ອງທີ່ຫຼອກລວງ, ແຕ່ຕົວເລກນີ້ກາຍເປັນຕົວຊີ້ບອກການປະຕິບັດທີ່ສຸດວ່າທີມງານຂອງທ່ານສາມາດນຳໃຊ້ເຄື່ອງມືພັດທະນາທີ່ຊ່ວຍ AI ໄດ້ຢ່າງມີປະສິດທິພາບແນວໃດ. ແລະຖ້າທ່ານບໍ່ສົນໃຈມັນ, ທ່ານກໍາລັງປະຖິ້ມຜົນກໍາໄລທີ່ສໍາຄັນຢູ່ໃນຕາຕະລາງ.

ແນວຄວາມຄິດດັ່ງກ່າວໄດ້ຮັບແຮງດຶງດູດໃນຊຸມຊົນນັກພັດທະນາເມື່ອບໍ່ດົນມານີ້ ຫຼັງຈາກໂຄງການປະກົດຂຶ້ນທີ່ສ້າງປ້າຍແບບງ່າຍໆ — ບໍ່ແຕກຕ່າງຈາກການສ້າງການຜ່ານ ຫຼື ໄສ້ປົກຄຸມທີ່ຄຸ້ນເຄີຍຂອງເຈົ້າ — ສະແດງວ່າບ່ອນເກັບມ້ຽນຂອງເຈົ້າພໍດີກັບໜ້າຕ່າງຂອງ LLM ທີ່ເປັນທີ່ນິຍົມຫຼາຍເທົ່າໃດ. ມັນເຮັດໃຫ້ເກີດການສົນທະນາທີ່ອຸດົມສົມບູນທີ່ຫນ້າປະຫລາດໃຈກ່ຽວກັບສະຖາປັດຕະຍະກໍາ codebase, monorepos ທຽບກັບ microservices, ແລະວ່າພວກເຮົາຄວນຈະອອກແບບລະຫັດຂອງພວກເຮົາ ສໍາລັບ AI comprehension. ຜົນກະທົບທີ່ເລິກເຊິ່ງກວ່າທີ່ນັກພັດທະນາສ່ວນໃຫຍ່ຮູ້ໃນເບື້ອງຕົ້ນ.

ສິ່ງ​ທີ່​ປ່ອງ​ຢ້ຽມ​ສະ​ພາບ​ການ​ມາດ​ຕະ​ການ​ທີ່​ແທ້​ຈິງ

ທຸກ​ຕົວ​ແບບ​ພາ​ສາ​ຂະ​ຫນາດ​ໃຫຍ່​ດໍາ​ເນີນ​ການ​ຢູ່​ພາຍ​ໃນ​ປ່ອງ​ຢ້ຽມ​ສະ​ພາບ​ທີ່​ຈໍາ​ກັດ — ຈໍາ​ນວນ​ສູງ​ສຸດ​ຂອງ​ຂໍ້​ຄວາມ​ທີ່​ມັນ​ສາ​ມາດ​ປະ​ມວນ​ຜົນ​ໃນ​ເວ​ລາ​ດຽວ​ກັນ​. GPT-4 Turbo ຈັດການກັບ tokens ປະມານ 128K. ຮຸ່ນຫຼ້າສຸດຂອງ Claude ຊຸກຍູ້ 200K tokens ຜ່ານໄປ. Gemini ຮຽກຮ້ອງຫຼາຍກວ່າລ້ານ. ເມື່ອທ່ານປ້ອນ codebase ຂອງທ່ານເຂົ້າໄປໃນຫນຶ່ງໃນຕົວແບບເຫຼົ່ານີ້ສໍາລັບການວິເຄາະ, ຄໍາແນະນໍາ refactoring, ຫຼືການກວດພົບຂໍ້ບົກພ່ອງ, ຮູບແບບພຽງແຕ່ສາມາດ "ເບິ່ງ" ສິ່ງທີ່ເຫມາະສົມພາຍໃນປ່ອງຢ້ຽມນັ້ນ. ທຸກ​ສິ່ງ​ທຸກ​ຢ່າງ​ນອກ​ຈາກ​ມັນ​ແມ່ນ​ເບິ່ງ​ບໍ່​ເຫັນ​ໄດ້​, ຄ້າຍ​ຄື​ວ່າ​ມັນ​ບໍ່​ມີ​.

ໜ້າ​ຕ່າງ​ບໍລິ​ບົດ​ພໍ​ດີ​ວັດ​ແທກ​ອັດ​ຕາ​ສ່ວນ​ລະ​ຫວ່າງ​ຂະ​ໜາດ​ຖານ​ລະ​ຫັດ​ທັງ​ໝົດ​ຂອງ​ທ່ານ (ໃນ​ໂທ​ເຄັນ) ແລະ​ໜ້າ​ຕ່າງ​ສະ​ພາບ​ຂອງ​ຕົວ​ແບບ​ທີ່​ໃຫ້​ມາ. ບ່ອນເກັບມ້ຽນທີ່ tokenizes ເປັນ 80K tokens ບັນລຸໄດ້ 100% ພໍດີກັບແບບຈໍາລອງ 200K-token — AI ສາມາດເຂົ້າໃຈໂຄງການທັງຫມົດຂອງທ່ານໃນຫນຶ່ງ pass. monorepo 2 ລ້ານໂທເຄັນ? ທ່ານກໍາລັງຊອກຫາຢູ່ໃນອັດຕາສ່ວນຕົວເລກດຽວ, ຊຶ່ງຫມາຍຄວາມວ່າ AI ເຮັດວຽກກັບຊິ້ນສ່ວນ, ບໍ່ເຄີຍເຂົ້າໃຈຮູບພາບເຕັມ. ຄວາມແຕກຕ່າງນີ້ມີຄວາມສຳຄັນຢ່າງໃຫຍ່ຫຼວງຕໍ່ຄຸນນະພາບຂອງຄຳແນະນຳລະຫັດທີ່ສ້າງໂດຍ AI, ການທົບທວນທາງສະຖາປັດຕະຍະກຳ ແລະ ການແກ້ໄຂອັດຕະໂນມັດ.

ແນວຄວາມຄິດປ້າຍດັ່ງກ່າວເຮັດໃຫ້ອັນນີ້ກາຍເປັນຕົວວັດແທກທີ່ເຫັນໄດ້, ສາມາດແບ່ງປັນໄດ້. ຕິດມັນຢູ່ໃນ README ຂອງທ່ານພ້ອມກັບສະຖານະ CI ແລະອັດຕາສ່ວນການຄຸ້ມຄອງຂອງທ່ານ. ມັນບອກໃຫ້ຜູ້ປະກອບສ່ວນ ແລະຜູ້ຮັກສາສິ່ງທີ່ມີປະໂຫຍດຢ່າງແທ້ຈິງ: ຖານລະຫັດນີ້ເປັນມິດກັບ AI ແນວໃດ?

ເປັນຫຍັງເມຕຣິກນີ້ຈຶ່ງປ່ຽນແປງວິທີການສ້າງຊອບແວຂອງທີມ

ການຕັດສິນໃຈສະຖາປັດຕະຍະກຳຊອບແວໄດ້ຖືກຂັບເຄື່ອນໂດຍຄວາມເປັນຫ່ວງຂອງມະນຸດສະເໝີ — ຄວາມສາມາດອ່ານໄດ້, ການເກັບຮັກສາ, ປະສິດທິພາບ, ໂຄງສ້າງຂອງທີມ. Context window fit ແນະນໍາຜູ້ມີສ່ວນຮ່ວມໃຫມ່ໃນການສົນທະນາເຫຼົ່ານີ້: ຄູ່ AI programmer. ເມື່ອ codebase ທັງຫມົດຂອງທ່ານເຫມາະກັບປ່ອງຢ້ຽມສະພາບການ, ເຄື່ອງມື AI ສາມາດໃຫ້ເຫດຜົນກ່ຽວກັບຄວາມກັງວົນຂ້າມຜ່ານ, ກໍານົດລະບົບຕ່ອງໂສ້ການເພິ່ງພາອາໄສທີ່ອ່ອນໂຍນ, ແລະແນະນໍາການປ່ຽນແປງທີ່ບັນຊີສໍາລັບລະບົບເຕັມ. ເມື່ອມັນບໍ່ເປັນ, ທ່ານຮຽກຮ້ອງໃຫ້ AI ປັບປຸງເຮືອນຄົວຂອງທ່ານໃນຂະນະທີ່ພຽງແຕ່ສະແດງຫ້ອງນ້ໍາເທົ່ານັ້ນ.

ອັນ​ນີ້​ມີ​ຜົນ​ສະ​ທ້ອນ​ທາງ​ປະ​ຕິ​ບັດ​ທີ່​ຜູ້​ນໍາ​ວິ​ສະ​ວະ​ກໍາ​ແມ່ນ​ເລີ່ມ​ຕົ້ນ​ທີ່​ຈະ​ເອົາ​ໃຈ​ໃສ່​ຢ່າງ​ຮຸນ​ແຮງ​. ທີມງານທີ່ມີຄະແນນທີ່ເຫມາະສົມກັບບໍລິບົດສູງລາຍງານຜົນໄດ້ຮັບທີ່ດີກວ່າການວັດແທກຈາກເຄື່ອງມືທົບທວນລະຫັດ AI. ອັດຕາການກວດພົບແມງໄມ້ປັບປຸງເພາະວ່າຕົວແບບສາມາດຕິດຕາມເສັ້ນທາງການປະຕິບັດໃນທົ່ວໄຟລ໌. ການ​ແນະ​ນຳ​ການ​ຕອບ​ສະ​ໜອງ​ໃຫ້​ກາຍ​ເປັນ​ສະ​ຖາ​ປັດ​ຕະ​ຍະ​ກຳ​ທີ່​ດີ​ກວ່າ​ທີ່​ດີ​ທີ່​ສຸດ​ໃນ​ທ້ອງ​ຖິ່ນ ແຕ່​ເປັນ​ການ​ທຳລາຍ​ທົ່ວ​ໂລກ. ທີມງານວິສະວະກໍາຫນຶ່ງຂອງບໍລິສັດ SaaS ຂະຫນາດກາງໄດ້ບັນທຶກ ການຫຼຸດຜ່ອນ 40% ຂອງການຖົດຖອຍທີ່ແນະນໍາໂດຍ AI ຫຼັງຈາກແຍກ monorepo ຂອງເຂົາເຈົ້າເຂົ້າໄປໃນຂະຫນາດນ້ອຍກວ່າ, ການບໍລິການທີ່ເປັນມິດກັບປ່ອງຢ້ຽມ.

ຕົວວັດແທກຍັງສ້າງຫນ້າທີ່ບັງຄັບສໍາລັບການປະຕິບັດດ້ານວິສະວະກໍາທີ່ດີທີ່ທີມງານຄວນຈະປະຕິບັດຕາມ. Codebases ທີ່ໄດ້ຄະແນນດີຢູ່ໃນປ່ອງຢ້ຽມບໍລິບົດພໍດີມີແນວໂນ້ມທີ່ຈະມີຂອບເຂດຂອງໂມດູນທີ່ສະອາດ, ລະຫັດຕາຍຫນ້ອຍ, ການແຍກຄວາມກັງວົນທີ່ດີກວ່າ, ແລະ repositories ສຸມໃສ່ຫຼາຍ. ເມຕຣິກຄວາມເຂົ້າໃຈ AI ຈົບລົງດ້ວຍການເປັນຕົວແທນສຳລັບສຸຂະພາບລະຫັດໂດຍລວມ.

ຜົນສະທ້ອນທາງສະຖາປັດຕະຍະກຳທີ່ບໍ່ມີໃຜຄາດຄິດ

ການສົນທະນາຮອບໆ context window fit ໄດ້ຄອບຄອງການໂຕ້ວາທີ monorepo ທຽບກັບ polyrepo ດ້ວຍມິຕິໃໝ່ທັງໝົດ. ຜູ້ສະຫນັບສະຫນູນ Monorepo ໄດ້ໂຕ້ຖຽງກັນມາດົນນານວ່າການຮັກສາທຸກສິ່ງທຸກຢ່າງຢູ່ໃນບ່ອນເກັບມ້ຽນຫນຶ່ງເຮັດໃຫ້ການຈັດການການເພິ່ງພາອາໄສງ່າຍຂຶ້ນ, ຊ່ວຍໃຫ້ການປະຕິບັດຂອງປະລໍາມະນູໃນທົ່ວການບໍລິການ, ແລະຫຼຸດຜ່ອນຄວາມເຈັບປວດການເຊື່ອມໂຍງ. ແຕ່ເມື່ອ monorepo tokenizes ເປັນ 5 ລ້ານ tokens ແລະ window context ທີ່ດີທີ່ສຸດແມ່ນ 200K, ທ່ານໄດ້ສ້າງ codebase ທີ່ບໍ່ມີເຄື່ອງມື AI ສາມາດເຂົ້າໃຈຢ່າງເຕັມສ່ວນ.

ນີ້ບໍ່ໄດ້ໝາຍຄວາມວ່າ monorepos ຕາຍ — ຢູ່ໄກຈາກມັນ. ທີມງານທີ່ສະຫຼາດແມ່ນຊອກຫາພື້ນທີ່ກາງ. ຍຸດທະສາດທີ່ກຳລັງເກີດຂຶ້ນລວມມີ:

• ການແຍກອັດສະລິຍະ: ການໃຊ້ໄຟລ໌ .contextignore (ຄ້າຍກັບ .gitignore) ເພື່ອຍົກເວັ້ນລະຫັດທີ່ສ້າງຂຶ້ນ, ການຂຶ້ນກັບຜູ້ຂາຍ ແລະອຸປະກອນທົດສອບຈາກການວິເຄາະ AI
• ແຜນທີ່ບໍລິບົດລະດັບໂມດູນ: ການສ້າງ manifests ທີ່ມີນ້ໍາຫນັກເບົາທີ່ຊ່ວຍໃຫ້ເຄື່ອງມື AI ເຂົ້າໃຈວ່າໄຟລ໌ໃດກ່ຽວຂ້ອງກັບຄຸນສົມບັດໃດໂດຍບໍ່ຕ້ອງໂຫລດທຸກຢ່າງ
• ເອກະສານສະຖາປັດຕະຍະກຳຕາມບໍລິບົດ: ລວມທັງບັນທຶກການຕັດສິນໃຈສະຖາປັດຕະຍະກຳຫຍໍ້ (ADRs) ທີ່ໃຫ້ຄວາມເຂົ້າໃຈໃນໂຄງສ້າງຂອງ AI ໂດຍບໍ່ຈຳເປັນຕ້ອງໃຫ້ມັນສະຫຼຸບຄວາມສຳພັນຈາກລະຫັດຢ່າງດຽວ
• ການສະກັດການບໍລິການຍຸດທະສາດ: ແຍກໂມດູນທີ່ເປັນເອກະລາດຢ່າງແທ້ຈິງອອກເປັນບ່ອນເກັບມ້ຽນແຍກຕ່າງຫາກເມື່ອພວກມັນບໍ່ມີຄວາມກັງວົນຕໍ່ລະບົບຫຼັກ

ຄວາມເຂົ້າໃຈທີ່ສໍາຄັນແມ່ນວ່າການເພີ່ມປະສິດທິພາບສໍາລັບ window context ເຫມາະບໍ່ແມ່ນກ່ຽວກັບການເຮັດໃຫ້ codebase ຂອງທ່ານນ້ອຍລົງ — ມັນແມ່ນກ່ຽວກັບການເຮັດໃຫ້ມັນ ເຂົ້າໃຈໄດ້ຫຼາຍຂຶ້ນ, ທັງສໍາລັບເຄື່ອງມື AI ແລະສໍາລັບມະນຸດທີ່ເຮັດວຽກຄຽງຄູ່ພວກເຂົາ.

ການ​ວັດ​ແທກ Codebase ຂອງ​ທ່ານ​ເອງ: ຂອບ​ການ​ປະ​ຕິ​ບັດ

ກ່ອນທີ່ທ່ານຈະເລີ່ມຕົ້ນ refactoring ລະບົບທັງຫມົດຂອງທ່ານເພື່ອແລ່ນ metric badge, ມັນເປັນມູນຄ່າທີ່ຈະເຂົ້າໃຈວິທີການວັດແທກ window window ເຫມາະກັບຄວາມຫມາຍ. ການນັບ token ດິບຂອງບ່ອນເກັບມ້ຽນທັງໝົດຂອງເຈົ້າເປັນຈຸດເລີ່ມຕົ້ນ, ແຕ່ມັນເປັນເຄື່ອງມືທີ່ບໍ່ຊັດເຈນ. ວິທີການທີ່ລະອຽດອ່ອນກວ່າຈະພິຈາລະນາສິ່ງທີ່ AI ຕ້ອງການເພື່ອເຂົ້າໄປເບິ່ງໃນໜ້າວຽກຕ່າງໆ.

"ຄຳຖາມທີ່ແທ້ຈິງບໍ່ແມ່ນວ່າ codebase ທັງໝົດຂອງເຈົ້າເໝາະສົມກັບໜ້າຕ່າງບໍລິບົດຫຼືບໍ່ — ບໍ່ວ່າຈະເປັນບໍລິບົດ ທີ່ກ່ຽວຂ້ອງ ສຳລັບໜ້າວຽກໃດນຶ່ງທີ່ເໝາະສົມ. ຖານຂໍ້ມູນທີ່ມີໂຄງສ້າງທີ່ດີທີ່ມີຂອບເຂດທີ່ຊັດເຈນເຮັດໃຫ້ເຄື່ອງມື AI ສາມາດໂຫຼດໄດ້ຕາມຄວາມຕ້ອງການ, ເຖິງແມ່ນວ່າບ່ອນເກັບມ້ຽນທັງໝົດຈະໃຫຍ່ຫຼາຍກໍຕາມ."

💡 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 →

ເພື່ອ​ຮັບ​ການ​ວັດ​ແທກ​ພາກ​ປະ​ຕິ​ບັດ, ເລີ່ມ​ຕົ້ນ​ໂດຍ​ການ tokenizing ລະ​ຫັດ​ຄໍາ​ຮ້ອງ​ສະ​ຫມັກ​ຫຼັກ​ຂອງ​ທ່ານ — ບໍ່​ລວມ​ທັງ node_modules, ລາຍ​ການ​ຜູ້​ຂາຍ, ການ​ສ້າງ artifacts, ແລະ​ໄຟລ​໌​ທີ່​ສ້າງ. tokenizers ທີ່ທັນສະໄຫມສ່ວນໃຫຍ່ (ເຊັ່ນ: tiktoken ຂອງ OpenAI ຫຼືວິທີການນັບ token ຈັດພີມມາຂອງ Anthropic) ສາມາດປະມວນຜົນໄດເລກະທໍລີໃນວິນາທີ. ປຽບທຽບຜົນໄດ້ຮັບຕໍ່ກັບປ່ອງຢ້ຽມບໍລິບົດຂອງຕົວແບບທີ່ທີມຂອງເຈົ້າໃຊ້ຕົວຈິງ. ຖ້າລະຫັດຄໍາຮ້ອງສະຫມັກຫຼັກຂອງທ່ານເຫມາະກັບປ່ອງຢ້ຽມບໍລິບົດດຽວທີ່ມີບ່ອນຫວ່າງສໍາລັບການກະຕຸ້ນເຕືອນແລະຄໍາແນະນໍາ, ທ່ານມີຮູບຮ່າງທີ່ດີເລີດ. ຖ້າຫາກວ່າມັນເກີນປ່ອງຢ້ຽມໂດຍ 2-5x, chunking ຍຸດທະສາດຈະເປັນສິ່ງຈໍາເປັນ. ນອກເໜືອໄປກວ່າ 10 ເທົ່າ, ເຈົ້າຈະຕ້ອງລົງທຶນໃນການປ່ຽນແປງທາງສະຖາປັດຕະຍະກຳ ຫຼື ທໍ່ສົ່ງ RAG ພິເສດ (ການດຶງຂໍ້ມູນ-ການເສີມສ້າງ) ເພື່ອເຮັດໃຫ້ເຄື່ອງມື AI ມີປະສິດທິພາບ.

ສຳລັບທີມງານທີ່ສ້າງຂຶ້ນໃນເວທີເຊັ່ນ Mewayz, ບ່ອນທີ່ສະຖາປັດຕະຍະກຳແບບໂມດູລໄດ້ແຍກຄວາມກັງວົນອອກເປັນໂມດູນທີ່ແຕກຕ່າງກັນແລ້ວ — CRM, ໃບແຈ້ງໜີ້, HR, ການວິເຄາະ, ແລະຫຼາຍກວ່າ 200 ຄົນ — ການວັດແທກນີ້ກາຍເປັນທີ່ໜ້າສົນໃຈເປັນພິເສດ. ແຕ່ລະໂມດູນເຮັດຫນ້າທີ່ເປັນຫນ່ວຍງານທີ່ມີຕົວຕົນທີ່ມີສ່ວນຕິດຕໍ່ທີ່ຊັດເຈນ, ເຊິ່ງຕາມທໍາມະຊາດສ້າງແຜນທີ່ກັບ context-window-friendly chunks. ມັນເປັນຮູບແບບສະຖາປັດຕະຍະກຳທີ່ຈ່າຍເງິນປັນຜົນທັງການຮັກສາມະນຸດ ແລະຄວາມເຂົ້າໃຈ AI.

ສິ່ງທີ່ຊຸມຊົນນັກພັດທະນາກຳລັງໂຕ້ວາທີຕົວຈິງ

ການສົນທະນາຂ່າວຂອງແຮກເກີກ່ຽວກັບປ້າຍບໍລິບົດ-ປ່ອງຢ້ຽມໄດ້ປະກົດອອກຄວາມເຄັ່ງຕຶງທີ່ໜ້າສົນໃຈໃນຊຸມຊົນນັກພັດທະນາ. ທໍາອິດແມ່ນປັດຊະຍາ: ພວກເຮົາຄວນອອກແບບລະຫັດສໍາລັບການບໍລິໂພກ AI ບໍ? Purists ໂຕ້ຖຽງວ່າລະຫັດຄວນຈະຖືກຂຽນສໍາລັບມະນຸດກ່ອນ, ແລະເຄື່ອງມື AI ຄວນປັບຕົວ. Pragmatists ໂຕ້ແຍ້ງວ່າຖ້າການເລືອກສະຖາປັດຕະຍະກໍາແບບງ່າຍໆເຮັດໃຫ້ທີມງານຂອງທ່ານມີປະສິດຕິພາບຫຼາຍຂຶ້ນ 30% ດ້ວຍເຄື່ອງມື AI ໂດຍບໍ່ມີຄ່າໃຊ້ຈ່າຍຕໍ່ການອ່ານຂອງມະນຸດ, ປະຕິເສດທີ່ຈະເຮັດໃຫ້ມັນເປັນອຸດົມການຫຼາຍກວ່າວິສະວະກໍາ.

ການ​ໂຕ້​ວາທີ​ຄັ້ງ​ທີ​ສອງ​ເນັ້ນ​ໃສ່​ວ່າ​ໜ້າ​ຕ່າງ​ສະ​ພາບ​ທີ່​ເໝາະ​ສົມ​ແມ່ນ​ແຕ່​ເປັນ​ຕົວ​ຊີ້​ວັດ​ທີ່​ໝັ້ນ​ຄົງ​ທີ່​ເປັນ​ມູນ​ຄ່າ​ການ​ຕິດ​ຕາມ. ປ່ອງຢ້ຽມບໍລິບົດໄດ້ເຕີບໃຫຍ່ຂຶ້ນ - ຈາກ 4K tokens ໃນຕົ້ນ GPT-3.5 ໄປຫາຫຼາຍກວ່າຫນຶ່ງລ້ານໃນ Gemini 1.5 Pro. ຖ້າປ່ອງຢ້ຽມສືບຕໍ່ຂະຫຍາຍອອກ, ມື້ນີ້ "ບໍ່ເຫມາະ" ກາຍເປັນ "ເຫມາະຢ່າງງ່າຍດາຍ." ແຕ່ນັກວິສະວະກອນທີ່ມີປະສົບການຊີ້ໃຫ້ເຫັນວ່າເຖິງແມ່ນວ່າມີຫນ້າຕ່າງຂະຫນາດໃຫຍ່, ການປະຕິບັດຕົວແບບຫຼຸດລົງດ້ວຍຄວາມຍາວຂອງສະພາບການ. A model processing 50K tokens of focused, related code will outperform the same model processing 500K tokens of a sprawling monorepo , ເຖິງແມ່ນວ່າທັງສອງດ້ານວິຊາການ "ເຫມາະ." ຄຸນນະພາບຂອງບໍລິບົດມີຄວາມສໍາຄັນເທົ່າກັບປະລິມານ.

ອັນ​ທີ​ສາມ, ການ​ສົນ​ທະ​ນາ​ທີ່​ເປັນ​ປະ​ຕິ​ບັດ​ຫຼາຍ​ຂຶ້ນ​ແມ່ນ​ກ່ຽວ​ກັບ​ການ​ເຄື່ອງ​ມື. ຜູ້ພັດທະນາຕ້ອງການການເຊື່ອມໂຍງ IDE ທີ່ມີຄວາມເຂົ້າໃຈກ່ຽວກັບສະພາບການທີ່ກໍານົດອັດຕະໂນມັດວ່າໄຟລ໌ໃດທີ່ຈະລວມເອົາໃນເວລາທີ່ສົ່ງລະຫັດໄປຫາ AI. ພວກເຂົາຕ້ອງການຄວາມສະຫຼາດລະດັບ repository ທີ່ເຂົ້າໃຈຂອບເຂດຂອງໂມດູນໂດຍບໍ່ມີການຕັ້ງຄ່າຄູ່ມື. ຕອນນີ້ຫຼາຍໂຄງການ open-source ກໍາລັງແກ້ໄຂບັນຫາທີ່ແນ່ນອນນີ້, ການສ້າງຈໍານວນ "ຕົວລວບລວມຂໍ້ມູນ" ທີ່ລວບລວມຊຸດໄຟລ໌ທີ່ດີທີ່ສຸດສໍາລັບວຽກງານທີ່ AI ຊ່ວຍເຫຼືອ.

ການ​ເຮັດ​ໃຫ້​ສິ່ງ​ນີ້​ເປັນ​ການ​ໄດ້​ປຽບ​ດ້ານ​ການ​ແຂ່ງ​ຂັນ

ສຳ​ລັບ​ທຸ​ລະ​ກິດ — ບໍ່​ພຽງ​ແຕ່​ທີມ​ພັດ​ທະ​ນາ​ເທົ່າ​ນັ້ນ — ປ່ອງ​ຢ້ຽມ​ທີ່​ເຫມາະ​ສົມ​ມີ​ຜົນ​ກະ​ທົບ​ຕໍ່​ເນື່ອງ​ທີ່​ມີ​ຄ່າ​ຄວນ​ຈະ​ເຂົ້າ​ໃຈ. ບໍລິສັດທີ່ສົ່ງຊອບແວໄວຂຶ້ນ, ມີແມງໄມ້ຫນ້ອຍ, ດ້ວຍຄ່າໃຊ້ຈ່າຍຕ່ໍາ, ຊະນະຕະຫຼາດຂອງພວກເຂົາ. ການພັດທະນາທີ່ໄດ້ຮັບການຊ່ວຍເຫຼືອ AI ແມ່ນຕົວຄູນຜົນບັງຄັບໃຊ້ທີ່ແທ້ຈິງ, ແຕ່ວ່າພຽງແຕ່ໃນເວລາທີ່ຖານລະຫັດພື້ນຖານມີໂຄງສ້າງເພື່ອໃຊ້ປະໂຫຍດຈາກມັນ. ອົງການຈັດຕັ້ງທີ່ລົງທຶນໃນ codebases ທີ່ເປັນມິດກັບ AI ໃນມື້ນີ້ກໍາລັງສ້າງຄວາມໄດ້ປຽບປະສົມທີ່ຈະຂະຫຍາຍອອກໄປຕາມເວລາ.

ຫຼັກການນີ້ຂະຫຍາຍອອກໄປນອກບໍລິສັດຊອບແວບໍລິສຸດ. ທຸລະກິດທີ່ດໍາເນີນການຢູ່ໃນເວທີເຊັ່ນ Mewayz, ເຊິ່ງລວມ CRM, ໃບແຈ້ງຫນີ້, ເງິນເດືອນ, HR, ການຄຸ້ມຄອງເຮືອ, ແລະການວິເຄາະເຂົ້າໄປໃນລະບົບໂມດູນດຽວ, ໄດ້ຮັບຜົນປະໂຫຍດຈາກປັດຊະຍາດຽວກັນນີ້ໃນລະດັບ ການດໍາເນີນງານ. ເມື່ອຂໍ້ມູນທຸລະກິດຂອງທ່ານຢູ່ໃນໂມດູນທີ່ມີໂຄງສ້າງທີ່ດີ, ເຊື່ອມຕໍ່ກັນແທນທີ່ຈະກະແຈກກະຈາຍໄປທົ່ວ 15 ເຄື່ອງມື SaaS ທີ່ຕັດການເຊື່ອມຕໍ່, AI ສາມາດໃຫ້ເຫດຜົນກ່ຽວກັບການດໍາເນີນງານທັງຫມົດຂອງທ່ານ - ການກໍານົດຮູບແບບຕ່າງໆໃນທົ່ວການຂາຍ, ການສະຫນັບສະຫນູນ, ແລະການເງິນທີ່ຈະເບິ່ງບໍ່ເຫັນໃນລະບົບ siled. ຫຼັກການດຽວກັນທີ່ເຮັດໃຫ້ codebase ເປັນມິດກັບ AI ເຮັດໃຫ້ ທຸລະກິດ ເປັນມິດ AI: ໂຄງສ້າງທີ່ຊັດເຈນ, ຂອບເຂດທີ່ສະອາດ, ແລະສະພາບການທີ່ສົມບູນແບບ.

ການເອົາໄປປະຕິບັດໄດ້ສໍາລັບຜູ້ນໍາດ້ານວິສະວະກໍາແມ່ນກົງໄປກົງມາ. ເລີ່ມ​ການ​ວັດ​ແທກ​ປ່ອງ​ຢ້ຽມ​ຂອງ​ທ່ານ​ພໍ​ດີ​ໃນ​ມື້​ນີ້ — ເຖິງ​ແມ່ນ​ວ່າ​ບໍ່​ເປັນ​ທາງ​ການ​. ເພີ່ມມັນໃສ່ dashboards ດ້ານສຸຂະພາບດ້ານວິສະວະກໍາຂອງທ່ານພ້ອມກັບເວລາກໍ່ສ້າງແລະການຄຸ້ມຄອງການທົດສອບ. ໃຊ້ມັນເປັນວັດສະດຸປ້ອນດຽວ (ບໍ່ແມ່ນວັດສະດຸປ້ອນເທົ່ານັ້ນ) ເມື່ອຕັດສິນໃຈສະຖາປັດຕະຍະກຳ. ແລະຮັບຮູ້ວ່າ codebases ທີ່ຈະໄດ້ຜົນປະໂຫຍດຫຼາຍທີ່ສຸດຈາກການຜະລິດຕໍ່ໄປຂອງເຄື່ອງມືພັດທະນາ AI ແມ່ນອັນທີ່ກໍາລັງຖືກສ້າງໂຄງສ້າງສໍາລັບຄວາມເຂົ້າໃຈ ໃນປັດຈຸບັນ.

ປ້າຍແມ່ນຕົວເລີ່ມຕົ້ນການສົນທະນາ, ບໍ່ແມ່ນຈຸດໝາຍປາຍທາງ

ປ້າຍ README ສະແດງໃຫ້ເຫັນ "87% context fit — Claude 200K" ເປັນສິ່ງເລັກນ້ອຍ. ມັນໃຊ້ເວລາວິນາທີເພື່ອສ້າງ ແລະຄອບຄອງເສັ້ນດຽວໃນເອກະສານໂຄງການຂອງທ່ານ. ແຕ່ສິ່ງທີ່ມັນສະແດງ - ຄວາມມຸ່ງຫມັ້ນທີ່ເຈດຕະນາ, ສາມາດວັດແທກໄດ້ຕໍ່ກັບຄວາມເຂົ້າໃຈຂອງຖານລະຫັດ - ສັນຍານບາງສິ່ງບາງຢ່າງທີ່ມີຄວາມຫມາຍກ່ຽວກັບບູລິມະສິດຂອງທີມງານວິສະວະກໍາ. ມັນບອກວ່າ: ພວກເຮົາຄິດກ່ຽວກັບລະຫັດຂອງພວກເຮົາຈະຖືກເຂົ້າໃຈແນວໃດ, ບໍ່ພຽງແຕ່ໂດຍຜູ້ພັດທະນາຕໍ່ໄປ, ແຕ່ໂດຍລະບົບ AI ທີ່ເພີ່ມຂຶ້ນເປັນສ່ວນຫນຶ່ງຂອງທຸກໆຂະບວນການພັດທະນາ.

ຜົນ​ທີ່​ມີ​ຄ່າ​ທີ່​ສຸດ​ຂອງ​ທ່າ​ອ່ຽງ​ນີ້​ບໍ່​ແມ່ນ​ປ້າຍ​ຕົວ​ເອງ. ມັນເປັນການສົນທະນາທີ່ມັນກະຕຸ້ນໃນລະຫວ່າງການທົບທວນສະຖາປັດຕະຍະກໍາ, ການວາງແຜນ sprint, ແລະການສົນທະນາຫນີ້ສິນດ້ານວິຊາການ. ເມື່ອ "context window fit" ກາຍເປັນສ່ວນໜຶ່ງຂອງຄຳສັບດ້ານວິສະວະກຳຂອງເຈົ້າ, ເຈົ້າເລີ່ມຕັດສິນໃຈທີ່ສອດຄ່ອງກັບທຸກຢ່າງທີ່ພວກເຮົາຮູ້ກ່ຽວກັບການອອກແບບຊອບແວທີ່ດີມາເປັນເວລາຫຼາຍທົດສະວັດ: ໂມດູນຂະໜາດນ້ອຍ, ຈຸດສຸມທີ່ມີສ່ວນຕິດຕໍ່ທີ່ຊັດເຈນ ແລະ ການເຊື່ອມໂຍງໜ້ອຍທີ່ສຸດ. ການປະຕິວັດ AI ບໍ່ໄດ້ປະດິດຫຼັກການເຫຼົ່ານີ້. ແຕ່ມັນເປັນການໃຫ້ເຫດຜົນອັນໃໝ່ແກ່ທີມເພື່ອຕິດຕາມພວກເຂົາໃນທີ່ສຸດ.

ຄຳຖາມທີ່ຖາມເລື້ອຍໆ

ໜ້າຕ່າງບໍລິບົດແມ່ນຫຍັງ ແລະເປັນຫຍັງມັນຈຶ່ງສຳຄັນ?

ໜ້າ​ຕ່າງ​ສະ​ພາບ​ທີ່​ພໍ​ດີ​ວັດ​ແທກ​ອັດ​ຕາ​ສ່ວນ​ຂອງ codebase ຂອງ​ທ່ານ LLM ສາ​ມາດ​ປະ​ມວນ​ຜົນ​ໄດ້​ໃນ​ການ​ກະ​ຕຸ້ນ​ດຽວ. ອັດຕາສ່ວນທີ່ສູງຂຶ້ນຫມາຍຄວາມວ່າເຄື່ອງມື AI ສາມາດເຂົ້າໃຈໂຄງການຂອງທ່ານຫຼາຍຂຶ້ນໃນເວລາດຽວ, ນໍາໄປສູ່ການແນະນໍາລະຫັດທີ່ດີກວ່າ, ການແກ້ໄຂທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນ, ແລະຄວາມແປກໃຈຫນ້ອຍລົງ. ເນື່ອງຈາກການພັດທະນາທີ່ໄດ້ຮັບການຊ່ວຍເຫຼືອຈາກ AI ກາຍເປັນມາດຕະຖານ, ຕົວຊີ້ວັດນີ້ມີຜົນກະທົບໂດຍກົງຕໍ່ການເຮັດວຽກຂອງທີມງານຂອງທ່ານສາມາດຢູ່ກັບເຄື່ອງມືເຊັ່ນ: Copilot, Cursor ແລະ Claude.

ຂ້ອຍ​ຈະ​ກວດ​ເບິ່ງ​ໜ້າ​ຕ່າງ​ຂອງ codebase ຂອງ​ຂ້ອຍ​ໄດ້​ແນວ​ໃດ?

ທ່ານສາມາດໃຊ້ເຄື່ອງມື open-source badge ທີ່ແບ່ງປັນໃນ Hacker News ເພື່ອສ້າງຕົວຊີ້ບອກພາບສຳລັບບ່ອນເກັບມ້ຽນຂອງທ່ານ. ມັນຄິດໄລ່ຈໍານວນ token codebase ທັງຫມົດຂອງທ່ານແລະປຽບທຽບມັນກັບປ່ອງຢ້ຽມບໍລິບົດ LLM ທີ່ນິຍົມ. ປ້າຍສະແດງຄະແນນເປີເຊັນທີ່ເຈົ້າສາມາດຝັງຢູ່ໃນ README ຂອງເຈົ້າໄດ້, ໃຫ້ຜູ້ປະກອບສ່ວນ ແລະຜູ້ມີສ່ວນກ່ຽວຂ້ອງເຫັນພາບຫຍໍ້ກ່ຽວກັບວ່າໂຄງການຂອງເຈົ້າພ້ອມ AI ແນວໃດ.

ຍຸດ​ທະ​ສາດ​ອັນ​ໃດ​ແດ່​ທີ່​ປັບ​ປຸງ​ໜ້າ​ຕ່າງ​ບໍລິ​ບົດ​ຂອງ codebase ພໍ​ດີ​ກັບ​ຄະ​ແນນ?

ເນັ້ນໃສ່ສະຖາປັດຕະຍະກຳແບບໂມດູລາ, ການແຍກຄວາມກັງວົນຢ່າງຈະແຈ້ງ, ແລະການກຳຈັດລະຫັດທີ່ຕາຍແລ້ວ. monorepos ທີ່ມີໂຄງສ້າງທີ່ດີທີ່ມີຂອບເຂດທີ່ມີເຫດຜົນເຮັດໃຫ້ LLMs ປະມວນຜົນໂມດູນທີ່ກ່ຽວຂ້ອງຢ່າງເປັນອິດສະຫຼະ. ການຫຼຸດຜ່ອນການຊໍ້າກັນຂອງລະຫັດ, ການຮັກສາໄຟລ໌ທີ່ຊັດເຈນ, ແລະການຮັກສາຕົ້ນໄມ້ທີ່ຂຶ້ນກັບທີ່ສະອາດທັງຫມົດປະກອບສ່ວນ. ແພລດຟອມເຊັ່ນ Mewayz ສະແດງໃຫ້ເຫັນຫຼັກການນີ້ — ການຫຸ້ມຫໍ່ 207 ໂມດູນເຂົ້າໄປໃນ OS ທຸລະກິດທີ່ມີການປັບປຸງທີ່ອອກແບບມາເພື່ອການຮັກສາ ແລະປະສິດທິພາບ.

ຖານຂໍ້ມູນທີ່ນ້ອຍກວ່າໝາຍເຖິງຄວາມເຂົ້າກັນໄດ້ຂອງ AI ທີ່ດີກວ່າສະເໝີບໍ?

ບໍ່ຈຳເປັນ. ພື້ນຖານລະຫັດທີ່ນ້ອຍກວ່າທີ່ມີການເພິ່ງພາອາໄສທີ່ສັບສົນ ແລະເອກະສານທີ່ບໍ່ດີສາມາດຍາກກວ່າສໍາລັບ LLMs ໃນການໃຫ້ເຫດຜົນຫຼາຍກວ່າອັນໃຫຍ່ກວ່າ, ມີການຈັດລະບຽບດີ. ສິ່ງທີ່ ສຳ ຄັນແມ່ນສະພາບການທີ່ກ່ຽວຂ້ອງຫຼາຍພໍດີພາຍໃນປ່ອງຢ້ຽມ. ສະອາດ abstractions, ສົນທິສັນຍາການຕັ້ງຊື່ທີ່ສອດຄ່ອງ, ແລະການອອກແບບ modular ອະນຸຍາດໃຫ້ເຄື່ອງມື AI ເຮັດວຽກໄດ້ປະສິດທິພາບເຖິງແມ່ນວ່າໃນເວລາທີ່ເຂົາເຈົ້າບໍ່ສາມາດກິນທຸກເສັ້ນຂອງລະຫັດໃນຄັ້ງດຽວ.