Hacker News

HN: LLM இன் சூழல் சாளரத்தில் உங்கள் கோட்பேஸ் எவ்வளவு நன்றாகப் பொருந்துகிறது என்பதைக் காட்டும் பேட்ஜைக் காட்டு

கருத்துகள்

1 min read Via github.com

Mewayz Team

Editorial Team

Hacker News

உங்கள் கோட்பேஸில் ஒரு புதிய மெட்ரிக் உள்ளது, அது உண்மையில் முக்கியமானது

பல தசாப்தங்களாக, டெவலப்பர்கள் குறியீடு, சுழற்சி சிக்கலான தன்மை, சோதனை கவரேஜ் சதவீதங்கள் மற்றும் வரிசைப்படுத்தல் அதிர்வெண் ஆகியவற்றின் மீது ஆர்வமாக உள்ளனர். ஆனால் ஒரு புதிய மெட்ரிக், பொறியியல் குழுக்கள் தங்கள் குறியீட்டுத் தளங்களைப் பற்றி எவ்வாறு சிந்திக்கின்றன என்பதை அமைதியாக மாற்றியமைக்கிறது: சூழல் சாளரம் பொருத்தம் — ஒரு எல்எல்எம் ஒரே வரியில் ஜீரணிக்கக்கூடிய உங்கள் முழு குறியீட்டுத் தளத்தின் சதவீதம். இது ஏமாற்றும் வகையில் எளிமையாகத் தெரிகிறது, ஆனால் AI-உதவி மேம்பாட்டுக் கருவிகளை உங்கள் குழு எவ்வளவு திறம்பட பயன்படுத்த முடியும் என்பதற்கான நடைமுறைக் குறிகாட்டிகளில் ஒன்றாக இந்த எண் மாறி வருகிறது. நீங்கள் அதை புறக்கணித்தால், நீங்கள் குறிப்பிடத்தக்க உற்பத்தித்திறன் ஆதாயங்களை அட்டவணையில் விட்டுவிடுகிறீர்கள்.

உங்கள் பழக்கமான பில்ட்-பாஸிங் அல்லது கவரேஜ் ஷீல்டுகளைப் போல அல்லாமல் - பிரபலமான LLM சூழல் சாளரங்களுக்குள் உங்கள் களஞ்சியம் எவ்வளவு சரியாகப் பொருந்துகிறது என்பதைக் காட்டும் ஒரு எளிய பேட்ஜை உருவாக்கும் திட்டம் தோன்றிய பிறகு, டெவலப்பர் சமூகங்களில் இந்த யோசனை சமீபத்தில் ஈர்க்கப்பட்டது. இது கோட்பேஸ் கட்டிடக்கலை, மோனோரோபோஸ் மற்றும் மைக்ரோ சர்வீசஸ் மற்றும் AI புரிதலுக்காக எங்கள் குறியீட்டை வடிவமைக்க வேண்டுமா என்பது பற்றிய வியக்கத்தக்க பணக்கார உரையாடலைத் தூண்டியது. பெரும்பாலான டெவலப்பர்கள் ஆரம்பத்தில் உணர்ந்ததை விட இதன் தாக்கங்கள் ஆழமாக இயங்குகின்றன.

உண்மையில் என்ன சூழல் சாளர பொருத்தம் அளவிடுகிறது

ஒவ்வொரு பெரிய மொழி மாதிரியும் ஒரு வரையறுக்கப்பட்ட சூழல் சாளரத்தில் இயங்குகிறது - ஒரே நேரத்தில் செயலாக்கக்கூடிய அதிகபட்ச உரை. GPT-4 Turbo தோராயமாக 128K டோக்கன்களைக் கையாளுகிறது. கிளாட்டின் சமீபத்திய மாடல்கள் 200K டோக்கன்களைக் கடந்தன. ஜெமினி ஒரு மில்லியனுக்கு மேல் உரிமை கோருகிறது. பகுப்பாய்வு, மறுசீரமைப்பு பரிந்துரைகள் அல்லது பிழை கண்டறிதல் ஆகியவற்றிற்காக இந்த மாதிரிகளில் ஒன்றில் உங்கள் கோட்பேஸை ஊட்டும்போது, ​​அந்தச் சாளரத்தின் உள்ளே என்ன பொருந்துகிறது என்பதை மாடல் மட்டுமே "பார்க்க" முடியும். அதைத் தாண்டிய அனைத்தும் கண்ணுக்குத் தெரியாதவை, அது இல்லாதது போல.

உங்கள் மொத்த கோட்பேஸ் அளவு (டோக்கன்களில்) மற்றும் கொடுக்கப்பட்ட மாதிரியின் சூழல் சாளரம் ஆகியவற்றுக்கு இடையேயான விகிதத்தை சூழல் சாளர பொருத்தம் அளவிடும். 80K டோக்கன்களுக்கு டோக்கனைஸ் செய்யும் களஞ்சியம் 200K-டோக்கன் மாதிரியில் 100% பொருத்தத்தை அடைகிறது - AI உங்கள் முழு திட்டத்தையும் ஒரே பாஸில் புரிந்து கொள்ள முடியும். 2 மில்லியன் டோக்கன் மோனோரோபோ? நீங்கள் ஒற்றை இலக்க சதவீதங்களைப் பார்க்கிறீர்கள், அதாவது AI துண்டுகளுடன் வேலை செய்கிறது, முழுப் படத்தையும் புரிந்து கொள்ள முடியாது. AI-உருவாக்கப்பட்ட குறியீடு பரிந்துரைகள், கட்டடக்கலை மதிப்பாய்வுகள் மற்றும் தானியங்கு மறுசீரமைப்பு ஆகியவற்றின் தரத்திற்கு இந்த வேறுபாடு மிகவும் முக்கியமானது.

பேட்ஜ் கான்செப்ட் இதை காணக்கூடிய, பகிரக்கூடிய அளவீடாக படிகமாக்குகிறது. உங்கள் CI நிலை மற்றும் கவரேஜ் சதவீதத்துடன் அதை உங்கள் README இல் ஒட்டவும். இது பங்களிப்பாளர்களுக்கும் பராமரிப்பாளர்களுக்கும் உண்மையிலேயே பயனுள்ள ஒன்றைச் சொல்கிறது: இந்தக் குறியீட்டுத் தளம் எவ்வளவு AI-க்கு ஏற்றது?

இந்த அளவீடு ஏன் அணிகள் மென்பொருளை உருவாக்குகிறது என்பதை மாற்றுகிறது

மென்பொருள் கட்டமைப்பு முடிவுகள் எப்பொழுதும் மனித அக்கறைகளால் இயக்கப்படுகின்றன - வாசிப்புத்திறன், பராமரிப்பு, செயல்திறன், குழு அமைப்பு. சூழல் சாளர பொருத்தம் இந்த உரையாடல்களில் ஒரு புதிய பங்குதாரரை அறிமுகப்படுத்துகிறது: AI ஜோடி புரோகிராமர். உங்கள் முழு குறியீட்டு தளமும் ஒரு சூழல் சாளரத்தில் பொருந்தினால், AI கருவிகள் குறுக்கு வெட்டுக் கவலைகளைப் பற்றி நியாயப்படுத்தலாம், நுட்பமான சார்புச் சங்கிலிகளைக் கண்டறியலாம் மற்றும் முழு அமைப்பிற்கான மாற்றங்களைப் பரிந்துரைக்கலாம். அவ்வாறு செய்யாதபோது, குளியலறையை மட்டும் காண்பிக்கும் போது, உங்கள் சமையலறையை மறுவடிவமைக்க AIயிடம் கேட்கிறீர்கள்.

இது நடைமுறை விளைவுகளைக் கொண்டுள்ளது, இது பொறியியல் முன்னணிகள் தீவிரமாக எடுத்துக் கொள்ளத் தொடங்குகின்றன. அதிக சூழல்-பொருத்தமான மதிப்பெண்களைக் கொண்ட அணிகள், AI குறியீட்டு மதிப்பாய்வு கருவிகளில் இருந்து அளவிடக்கூடிய சிறந்த முடிவுகளைப் புகாரளிக்கின்றன. பிழை கண்டறிதல் விகிதங்கள் மேம்படுகின்றன, ஏனெனில் மாதிரியானது கோப்புகள் முழுவதும் செயல்படுத்தும் பாதைகளைக் கண்டறிய முடியும். மறுசீரமைப்பு பரிந்துரைகள் கட்டடக்கலை ரீதியாக சிறந்ததாக இருக்கும், மாறாக உள்நாட்டில் உகந்ததாக ஆனால் உலகளவில் அழிவுகரமானதாக இருக்கும். நடுத்தர அளவிலான SaaS நிறுவனத்தில் உள்ள ஒரு பொறியியல் குழு, அவர்களின் மோனோரெப்போவை சிறிய, சூழல்-சாளர-நட்பு சேவைகளாகப் பிரித்த பிறகு, 40% AI- பரிந்துரைக்கப்பட்ட பின்னடைவுகளில் குறைப்பு ஆவணப்படுத்தப்பட்டது.

எப்படியும் அணிகள் பின்பற்ற வேண்டிய நல்ல பொறியியல் நடைமுறைகளுக்கான கட்டாயச் செயல்பாட்டையும் மெட்ரிக் உருவாக்குகிறது. சூழல் சாளரப் பொருத்தத்தில் நன்கு மதிப்பெண் பெறும் கோட்பேஸ்கள் தூய்மையான தொகுதி எல்லைகள், குறைவான டெட் குறியீடு, கவலைகளை சிறப்பாகப் பிரித்தல் மற்றும் அதிக கவனம் செலுத்தும் களஞ்சியங்களைக் கொண்டிருக்கும். AI புரிதல் அளவீடு ஒட்டுமொத்த குறியீடு ஆரோக்கியத்திற்கான ப்ராக்ஸியாக முடிவடைகிறது.

யாரும் எதிர்பார்க்காத கட்டிடக்கலை தாக்கங்கள்

சூழல் சாளர பொருத்தம் பற்றிய உரையாடல், ஒரு புதிய பரிமாணத்துடன் மோனோரேபோ மற்றும் பாலிரெபோ விவாதத்தை மீண்டும் தூண்டியுள்ளது. எல்லாவற்றையும் ஒரே களஞ்சியத்தில் வைத்திருப்பது சார்பு நிர்வாகத்தை எளிதாக்குகிறது, சேவைகள் முழுவதும் அணு உறுதிகளை செயல்படுத்துகிறது மற்றும் ஒருங்கிணைப்பு வலியைக் குறைக்கிறது என்று Monorepo வழக்கறிஞர்கள் நீண்ட காலமாக வாதிட்டனர். ஆனால் உங்கள் மோனோரெப்போ டோக்கனைஸ் 5 மில்லியன் டோக்கன்களாகவும், சிறந்த சூழல் சாளரம் 200K ஆகவும் இருக்கும் போது, எந்த AI கருவியாலும் முழுமையாகப் புரிந்துகொள்ள முடியாத ஒரு கோட்பேஸை உருவாக்கியுள்ளீர்கள்.

மோனோரோபோஸ் இறந்துவிட்டதாக இது அர்த்தப்படுத்துவதில்லை - அதிலிருந்து வெகு தொலைவில் உள்ளது. ஸ்மார்ட் குழுக்கள் நடுத்தர நிலத்தைக் கண்டுபிடிக்கின்றன. வளர்ந்து வரும் உத்திகளில் பின்வருவன அடங்கும்:

  • புத்திசாலித்தனமான துண்டிப்பு: AI பகுப்பாய்விலிருந்து உருவாக்கப்பட்ட குறியீடு, விற்பனையாளர் சார்புகள் மற்றும் சோதனை சாதனங்களைத் தவிர்க்க .contextignore கோப்புகளை (.gitignore போன்றது) பயன்படுத்துதல்
  • தொகுதி நிலை சூழல் வரைபடங்கள்: எல்லாவற்றையும் ஏற்றாமல் எந்த கோப்புகள் எந்த அம்சங்களுடன் தொடர்புடையவை என்பதை AI கருவிகள் புரிந்துகொள்ள உதவும் இலகுரக மேனிஃபெஸ்ட்ஸை உருவாக்குதல்
  • கட்டடக்கலை ஆவணங்கள் சூழலாக: குறியீட்டிலிருந்து மட்டும் உறவுகளை ஊகிக்க வேண்டிய அவசியமின்றி AI கட்டமைப்பு புரிதலை வழங்கும் சுருக்கமான கட்டிடக்கலை முடிவு பதிவுகள் (ADRs) உட்பட
  • மூலோபாய சேவை பிரித்தெடுத்தல்: மைய அமைப்பில் உண்மையான குறுக்கு வெட்டுக் கவலைகள் இல்லாதபோது, உண்மையான சுயாதீன தொகுதிகளை தனித்தனி களஞ்சியங்களாக உடைத்தல்

முக்கிய நுண்ணறிவு என்னவென்றால், சூழல் சாளரப் பொருத்தத்தை மேம்படுத்துவது என்பது உங்கள் கோட்பேஸைச் சிறியதாக்குவது அல்ல - AI கருவிகள் மற்றும் அவற்றுடன் பணிபுரியும் மனிதர்களுக்கு அதிக புரிந்துகொள்ளக்கூடியதாக உருவாக்குவது.

உங்கள் சொந்த கோட்பேஸை அளவிடுதல்: ஒரு நடைமுறை கட்டமைப்பு

ஒரு பேட்ஜ் மெட்ரிக்கைத் துரத்த உங்கள் முழு அமைப்பையும் மறுசீரமைக்கத் தொடங்கும் முன், சூழல் சாளர பொருத்தத்தை எப்படி அர்த்தமுள்ளதாக அளவிடுவது என்பதைப் புரிந்துகொள்வது மதிப்பு. உங்கள் மொத்த களஞ்சியத்தின் மூல டோக்கன் எண்ணிக்கை ஒரு தொடக்க புள்ளியாகும், ஆனால் இது ஒரு மழுங்கிய கருவி. மிகவும் நுணுக்கமான அணுகுமுறையானது, வெவ்வேறு பணிகளுக்கு AI உண்மையில் என்ன பார்க்க வேண்டும் என்பதைக் கருத்தில் கொள்கிறது.

💡 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 →

"உண்மையான கேள்வி என்னவென்றால், ஒரு சூழல் சாளரத்தில் உங்கள் முழு கோட்பேஸ் பொருந்துமா என்பது அல்ல - கொடுக்கப்பட்ட பணிக்கான தொடர்புடைய சூழல் பொருந்துமா என்பதுதான். தெளிவான எல்லைகளுடன் கூடிய நன்கு கட்டமைக்கப்பட்ட கோட்பேஸ், மொத்த களஞ்சியம் பெரியதாக இருந்தாலும், AI கருவிகளுக்குத் தேவையானதைச் சரியாக ஏற்ற அனுமதிக்கிறது."

நடைமுறை அளவீட்டைப் பெற, உங்கள் முக்கிய பயன்பாட்டுக் குறியீட்டை டோக்கனைஸ் செய்வதன் மூலம் தொடங்கவும் - node_modules, விற்பனையாளர் கோப்பகங்கள், கலைப்பொருட்களை உருவாக்குதல் மற்றும் உருவாக்கப்பட்ட கோப்புகள் ஆகியவற்றைத் தவிர்த்து. பெரும்பாலான நவீன டோக்கனைசர்கள் (OpenAI இன் டிக்டோக்கன் அல்லது Anthropic இன் வெளியிடப்பட்ட டோக்கன் எண்ணும் முறைகள் போன்றவை) ஒரு கோப்பகத்தை நொடிகளில் செயலாக்க முடியும். உங்கள் குழு உண்மையில் பயன்படுத்தும் மாதிரிகளின் சூழல் சாளரங்களுடன் முடிவை ஒப்பிடுக. உங்கள் முக்கிய பயன்பாட்டுக் குறியீடு ஒரே சூழல் சாளரத்தில் பொருந்தினால், அறிவுறுத்தல்கள் மற்றும் வழிமுறைகளுக்கு இடமளிக்கும், நீங்கள் சிறந்த நிலையில் உள்ளீர்கள். இது சாளரத்தை 2-5 மடங்கு அதிகமாக இருந்தால், மூலோபாய துண்டிப்பு அவசியம். 10xக்கு அப்பால், AI கருவிகளை திறம்பட செய்ய, கட்டடக்கலை மாற்றங்கள் அல்லது சிறப்பு RAG (மீட்பு-ஆக்மென்டட் ஜெனரேஷன்) பைப்லைன்களில் முதலீடு செய்ய விரும்புவீர்கள்.

Mewayz போன்ற இயங்குதளங்களில் உருவாக்கப்படும் குழுக்களுக்கு, மாடுலர் ஆர்கிடெக்சர் ஏற்கனவே தனித்தனி மாட்யூல்கள் - CRM, இன்வாய்சிங், HR, அனலிட்டிக்ஸ் மற்றும் 200 க்கும் மேற்பட்ட மற்ற தொகுதிகளாக பிரிக்கிறது - இந்த அளவீடு குறிப்பாக சுவாரஸ்யமானது. ஒவ்வொரு தொகுதியும் தெளிவான இடைமுகங்களைக் கொண்ட ஒரு தன்னிறைவான அலகாகச் செயல்படுகிறது, இது இயற்கையாகவே சூழல்-சாளர-நட்பு பகுதிகளுக்கு வரைபடமாக்குகிறது. இது மனித பராமரிப்பு மற்றும் AI புரிதல் ஆகிய இரண்டிற்கும் ஈவுத்தொகையை வழங்கும் கட்டிடக்கலை வடிவமாகும்.

டெவலப்பர் சமூகம் உண்மையில் என்ன விவாதம் செய்கிறது

சூழல்-சாளர பேட்ஜ்கள் பற்றிய ஹேக்கர் செய்தி விவாதம் டெவலப்பர் சமூகத்தில் பல கவர்ச்சிகரமான பதட்டங்களை ஏற்படுத்தியது. முதலாவது தத்துவம்: AI நுகர்வுக்கான குறியீட்டை வடிவமைக்க வேண்டுமா? மனிதர்களுக்காக முதலில் குறியீடு எழுதப்பட வேண்டும், AI கருவிகள் மாற்றியமைக்கப்பட வேண்டும் என்று தூய்மைவாதிகள் வாதிடுகின்றனர். ஒரு எளிய கட்டடக்கலைத் தேர்வு உங்கள் குழுவை AI கருவிகள் மூலம் 30% அதிக உற்பத்தித் திறன் கொண்டதாக மாற்றினால், மனிதனின் வாசிப்புத்திறனை பூஜ்ஜியமாகச் செலவழிக்காமல், அதைச் செய்ய மறுப்பது பொறியியலைக் காட்டிலும் கருத்தியல் என்று நடைமுறைவாதிகள் எதிர்க்கின்றனர்.

இரண்டாவது விவாதம், சூழல் சாளரம் பொருத்தம் என்பது கண்காணிப்பு மதிப்புள்ள நிலையான அளவீடுதானா என்பதை மையமாகக் கொண்டுள்ளது. சூழல் சாளரங்கள் அதிவேகமாக வளர்ந்துள்ளன - ஆரம்பகால GPT-3.5 இல் 4K டோக்கன்களிலிருந்து ஜெமினி 1.5 ப்ரோவில் ஒரு மில்லியனுக்கும் அதிகமாக உள்ளது. ஜன்னல்கள் விரிவடைந்து கொண்டே இருந்தால், இன்றைய "பொருத்தம் இல்லை" என்பது நாளை "எளிதில் பொருந்துகிறது". ஆனால் அனுபவம் வாய்ந்த பொறியாளர்கள் பாரிய சூழல் சாளரங்களுடன் கூட, மாதிரி செயல்திறன் சூழல் நீளத்துடன் குறைகிறது என்று சுட்டிக்காட்டுகின்றனர். ஃபோகஸ் செய்யப்பட்ட, தொடர்புடைய குறியீடு 50K டோக்கன்களைச் செயலாக்கும் ஒரு மாதிரியானது, தொழில்நுட்ப ரீதியாக இரண்டும் "பொருத்தமாக" இருந்தாலும், பரந்த மோனோரெபோவின் அதே மாதிரி செயலாக்க 500K டோக்கன்களை விஞ்சிவிடும். அளவைப் போலவே சூழலின் தரமும் முக்கியமானது.

மூன்றாவது, மிகவும் நடைமுறை உரையாடல் கருவியைச் சுற்றி வருகிறது. டெவலப்பர்கள் சூழல்-விழிப்புணர்வு IDE ஒருங்கிணைப்புகளை விரும்புகிறார்கள், அவை AI க்கு குறியீட்டை அனுப்பும்போது எந்த கோப்புகளைச் சேர்க்க வேண்டும் என்பதைத் தானாகவே தீர்மானிக்கும். கைமுறை கட்டமைப்பு இல்லாமல் தொகுதி எல்லைகளை புரிந்து கொள்ளும் களஞ்சிய-நிலை நுண்ணறிவை அவர்கள் விரும்புகிறார்கள். பல ஓப்பன் சோர்ஸ் திட்டப்பணிகள் இப்போது இந்தச் சரியான சிக்கலைச் சமாளிக்கின்றன, கொடுக்கப்பட்ட AI-உதவி பணிக்கு உகந்த கோப்புகளின் தொகுப்பை "சூழல் தொகுப்பிகள்" எவ்வளவு தொகையை உருவாக்குகின்றன.

இதை போட்டி நன்மையாக மாற்றுதல்

வணிகங்களுக்கு - டெவலப்பர் குழுக்களுக்கு மட்டுமல்ல - சூழல் சாளர பொருத்தம் புரிந்து கொள்ள வேண்டிய கீழ்நிலை தாக்கங்களைக் கொண்டுள்ளது. மென்பொருளை வேகமாக, குறைவான பிழைகளுடன், குறைந்த செலவில் அனுப்பும் நிறுவனங்கள், தங்கள் சந்தைகளை வெல்லும். AI-உதவி மேம்பாடு என்பது ஒரு உண்மையான விசைப் பெருக்கமாகும், ஆனால் அடிப்படைக் குறியீட்டுத் தளமானது அதைப் பயன்படுத்திக் கொள்ளக் கட்டமைக்கப்பட்டால் மட்டுமே. இன்று AI-க்கு ஏற்ற குறியீட்டுத் தளங்களில் முதலீடு செய்யும் நிறுவனங்கள், காலப்போக்கில் விரிவடையும் கூட்டு நன்மைகளை உருவாக்குகின்றன.

இந்தக் கொள்கை தூய மென்பொருள் நிறுவனங்களுக்கு அப்பாற்பட்டது. Mewayz போன்ற தளங்களில் இயங்கும் வணிகங்கள், CRM, விலைப்பட்டியல், ஊதியம், HR, கடற்படை மேலாண்மை மற்றும் பகுப்பாய்வுகளை ஒரே மட்டு அமைப்பாக ஒருங்கிணைக்கிறது, செயல்பாட்டு மட்டத்தில் இதே தத்துவத்திலிருந்து பயனடைகிறது. 15 துண்டிக்கப்பட்ட SaaS கருவிகளில் சிதறாமல், நன்கு கட்டமைக்கப்பட்ட, ஒன்றோடொன்று இணைக்கப்பட்ட தொகுதிகளில் உங்கள் வணிகத் தரவு வாழும்போது, ​​AI ஆனது உங்கள் முழு செயல்பாட்டைப் பற்றியும் நியாயப்படுத்தலாம் - விற்பனை, ஆதரவு மற்றும் நிதி ஆகியவற்றில் உள்ள வடிவங்களை அடையாளம் காண முடியும். குறியீட்டுத் தளத்தை AI-க்கு ஏற்றதாக மாற்றும் அதே கொள்கையானது வணிகத்தை AI-க்கு ஏற்றதாக ஆக்குகிறது: தெளிவான அமைப்பு, சுத்தமான எல்லைகள் மற்றும் விரிவான சூழல்.

பொறியியல் தலைவர்களுக்கு நடைமுறையில் எடுத்துச் செல்லக்கூடியது நேரடியானது. உங்கள் சூழல் சாளர பொருத்தத்தை இன்றே அளவிடத் தொடங்குங்கள் — முறைசாரா முறையில் கூட. உருவாக்க நேரங்கள் மற்றும் சோதனைக் கவரேஜுடன் இதை உங்கள் பொறியியல் சுகாதார டாஷ்போர்டுகளில் சேர்க்கவும். கட்டடக்கலை முடிவுகளை எடுக்கும்போது அதை ஒரு உள்ளீட்டாக (ஒரே உள்ளீடு அல்ல) பயன்படுத்தவும். அடுத்த தலைமுறை AI டெவலப்மென்ட் கருவிகளில் இருந்து அதிகம் பயனடையும் கோட்பேஸ்கள் தான் இப்போதே புரிந்துகொள்ளக்கூடிய வகையில் கட்டமைக்கப்பட்டவை என்பதை அங்கீகரிக்கவும்.

பேட்ஜ் ஒரு உரையாடல் தொடக்கமாகும், இலக்கு அல்ல

"87% சூழல் பொருத்தம் — Claude 200K" என்பதைக் காட்டும் README பேட்ஜ் ஒரு சிறிய விஷயம். உங்கள் திட்ட ஆவணத்தில் ஒரு வரியை உருவாக்க மற்றும் ஆக்கிரமிக்க சில வினாடிகள் ஆகும். ஆனால் அது பிரதிநிதித்துவம் செய்வது - கோட்பேஸ் புரிந்துகொள்ளுதலுக்கான வேண்டுமென்றே, அளவிடக்கூடிய அர்ப்பணிப்பு - ஒரு பொறியியல் குழுவின் முன்னுரிமைகள் பற்றி அர்த்தமுள்ள ஒன்றை சமிக்ஞை செய்கிறது. இது கூறுகிறது: அடுத்த டெவெலப்பரால் மட்டுமல்ல, ஒவ்வொரு வளர்ச்சிப் பணியின் ஒரு பகுதியாக இருக்கும் AI அமைப்புகளாலும் எங்கள் குறியீடு எவ்வாறு புரிந்து கொள்ளப்படும் என்பதைப் பற்றி சிந்திக்கிறோம்.

இந்தப் போக்கின் மிகவும் மதிப்புமிக்க விளைவு பேட்ஜ் அல்ல. கட்டிடக்கலை மதிப்பாய்வுகள், ஸ்பிரிண்ட் திட்டமிடல் மற்றும் தொழில்நுட்ப கடன் விவாதங்களின் போது அது தூண்டும் உரையாடல்கள். "சூழல் சாளர பொருத்தம்" உங்கள் பொறியியல் சொற்களஞ்சியத்தின் ஒரு பகுதியாக மாறும் போது, ​​பல தசாப்தங்களாக நல்ல மென்பொருள் வடிவமைப்பைப் பற்றி எங்களுக்குத் தெரிந்த எல்லாவற்றுடனும் நீங்கள் முடிவுகளை எடுக்கத் தொடங்குவீர்கள்: தெளிவான இடைமுகங்கள் மற்றும் குறைந்தபட்ச இணைப்புடன் கூடிய சிறிய, கவனம் செலுத்தப்பட்ட தொகுதிகள். AI புரட்சி இந்த கொள்கைகளை கண்டுபிடிக்கவில்லை. ஆனால், அணிகளை இறுதியாகப் பின்தொடர ஒரு புதிய, அளவிடக்கூடிய காரணத்தை இது வழங்குகிறது.

அடிக்கடி கேட்கப்படும் கேள்விகள்

சூழல் சாளர பொருத்தம் என்றால் என்ன, அது ஏன் முக்கியமானது?

சூழல் சாளர பொருத்தம் உங்கள் கோட்பேஸின் எந்த சதவீதத்தை ஒரு எல்எல்எம் ஒரே வரியில் செயல்படுத்த முடியும் என்பதை அளவிடும். அதிக சதவீதம் என்றால், AI கருவிகள் உங்கள் திட்டத்தை ஒரே நேரத்தில் புரிந்து கொள்ள முடியும், இது சிறந்த குறியீடு பரிந்துரைகள், மிகவும் துல்லியமான மறுசீரமைப்பு மற்றும் குறைவான மாயத்தோற்றங்களுக்கு வழிவகுக்கும். AI-உதவி மேம்பாடு நிலையானதாக மாறும் போது, ​​Copilot, Cursor மற்றும் Claude போன்ற கருவிகள் மூலம் உங்கள் குழு எவ்வளவு பயனுள்ளதாக இருக்கும் என்பதை இந்த அளவீடு நேரடியாக பாதிக்கிறது.

எனது கோட்பேஸின் சூழல் சாளர பொருத்தத்தை நான் எவ்வாறு சரிபார்க்கலாம்?

ஹேக்கர் செய்திகளில் பகிரப்பட்ட ஓப்பன் சோர்ஸ் பேட்ஜ் கருவியைப் பயன்படுத்தி உங்கள் களஞ்சியத்திற்கான காட்சி குறிகாட்டியை உருவாக்கலாம். இது உங்கள் மொத்த கோட்பேஸ் டோக்கன் எண்ணிக்கையைக் கணக்கிட்டு, பிரபலமான LLM சூழல் சாளரங்களுடன் ஒப்பிடுகிறது. பேட்ஜ் உங்கள் README இல் உட்பொதிக்கக்கூடிய சதவீத மதிப்பெண்ணைக் காட்டுகிறது, பங்களிப்பாளர்கள் மற்றும் பங்குதாரர்களுக்கு உங்கள் திட்டம் AI-க்கு எவ்வாறு தயாராக உள்ளது என்பதற்கான உடனடி ஸ்னாப்ஷாட்டை வழங்குகிறது.

கோட்பேஸின் சூழல் விண்டோ ஃபிட் ஸ்கோரை மேம்படுத்தும் உத்திகள் என்ன?

மட்டு கட்டமைப்பில் கவனம் செலுத்துதல், கவலைகளை தெளிவாக பிரித்தல் மற்றும் இறந்த குறியீட்டை நீக்குதல். தருக்க எல்லைகளுடன் கூடிய நன்கு கட்டமைக்கப்பட்ட மோனோரெபோக்கள், தொடர்புடைய தொகுதிகளை சுயாதீனமாக செயலாக்க LLMகளை அனுமதிக்கின்றன. குறியீட்டு நகல்களைக் குறைத்தல், கோப்புகளை சுருக்கமாக வைத்திருத்தல் மற்றும் சார்பு மரங்களைச் சுத்தமாகப் பராமரித்தல் ஆகிய அனைத்தும் பங்களிக்கின்றன. Mewyz

சிறிய கோட்பேஸ் எப்போதும் சிறந்த AI இணக்கத்தன்மையைக் குறிக்குமா?

அவசியம் இல்லை. சிக்கலான சார்புகள் மற்றும் மோசமான ஆவணங்கள் கொண்ட சிறிய கோட்பேஸ், பெரிய, நன்கு ஒழுங்கமைக்கப்பட்ட ஒன்றைக் காட்டிலும் எல்.எல்.எம்களுக்குக் கடினமாக இருக்கலாம். சாளரத்தில் எவ்வளவு பொருத்தமான சூழல் பொருந்துகிறது என்பதுதான் முக்கியம். சுத்தமான சுருக்கங்கள், சீரான பெயரிடும் மரபுகள் மற்றும் மட்டு வடிவமைப்பு ஆகியவை AI கருவிகள் ஒவ்வொரு குறியீட்டு வரியையும் ஒரே நேரத்தில் உட்கொள்ள முடியாவிட்டாலும் திறம்பட செயல்பட அனுமதிக்கின்றன.