Czego nauczyły mnie samouczące się agenty kodowania o pracy z AI

Kiedy zacząłem eksperymentować z agentami AI, którzy potrafili analizować i poprawiać własne wyniki, spodziewałem się, że zaimponuje mi ich techniczna zaawansowanie. Tego jednak się nie spodziewałem: po dwóch miesiącach codziennej pracy z tymi agentami wyszedłem z zupełnie innym zrozumieniem tego, jak ludzie powinni współpracować z dużymi modelami językowymi.

Obserwowanie agentów zastanawiających się nad własnym rozumowaniem, wychwytujących wzorce w swoich błędach i systematycznie udoskonalających podejście – to zmieniło moje myślenie o wszystkim. Od inżynierii promptów po architekturę nowoczesnych workflow deweloperskich.

Efekt lustra

To mnie zaskoczyło najbardziej: samouczące się agenty nie tylko stają się lepsze w kodowaniu. Ujawniają nam, co robiliśmy źle przez cały czas.

Kiedy agent analizuje swoje ostatnie wyniki i pyta „Dlaczego wybrałem to podejście?", często wyciąga na wierzch założenia, których sobie nie uświadamialiśmy. Widziałem, jak jeden agent doszedł do powtarzającego się błędu w kodzie i zidentyfikował subtelną niekonsekwencję w konwencjach nazewnictwa zmiennych. Ta introspekcja ujawniła, że ja byłem niekonsekwentny w nazewnictwie w całym projekcie – wzorzec tak głęboko wpojony, że go nie zauważałem.

Ten efekt lustra dotyczy też promptów. Agenty, które reflektują się nad swoimi interakcjami, pokazują nam, że nasze instrukcje zawierają ukryte sprzeczności lub milczące założenia. Kiedy obserwujesz, jak agent męczy się z zadaniem, a potem analizujesz dlaczego – często odkrywasz, że źródłem zamieszania były dwuznaczne instrukcje, które uważałeś za jasne.

Rekurencyjna natura doskonalenia

Samouczące się agenty działają poprzez badanie własnej historii – sukcesów i porażek – a następnie wykorzystywanie tej analizy do podejmowania przyszłych decyzji. Ten rekurencyjny wzorzec ma fascynującą konsekwencję: jakość doskonalenia zależy w dużej mierze od jakości informacji zwrotnych.

Agenty, które otrzymują precyzyjne, kontekstowe informacje zwrotne o tym, dlaczego coś zadziałało lub nie – rozwijają się znacznie szybciej niż te, które dostają tylko sygnały typu „sukces/porażka". To nauczyło mnie czegoś wartościowego o moich własnych praktykach rozwojowych:

Dobra informacja zwrotna jest konkretna i przyczynowa. Zamiast mówić agentowi „to jest nie tak", nauczyłem się mówić „to nie zadziałało, bo nie uwzględniło przypadku brzegowego X w scenariuszu Y". Agenty otrzymujące informacje przyczynowe rozwijają znacznie lepsze intuicje dotyczące podobnych problemów w przyszłości.

To odzwierciedla sposób, w jaki najlepsze zespoły wprowadzają juniorów. Nikt nie rozwija się, gdy informacja zwrotna brzmi „to nie wygląda dobrze". Rozwój następuje, gdy wyjaśniamy powody stojące za naszymi standardami.

Problem abstrakcji

Jednym z najbardziej uderzających wzorców, jakie zaobserwowałem, był sposób, w jaki agenty radzą sobie z abstrakcją – lub sobie z nią nie radzą.

Kiedy agenty przetwarzają zapytania, często operują na poziomie konkretnych tokenów i wzorców, które widziały, zamiast prawdziwie abstrahowaćunderlying principles. Samouczący się agent może zauważyć „Widziałem ten wzorzec 47 razy", ale nie rozwinie ram konceptualnych, które pozwoliłyby mu poradzić sobie z 48. przypadkiem, który jest nieznacznie inny.

To dokładnie ten problem, który dręczy początkujących programistów, którzy nauczyli się wzorców bez zrozumienia zasad. I to użyteczne ostrzeżenie dla każdego, kto mocno polega na wsparciu AI: dopasowywanie wzorców zabiera cię daleko, ale abstrakcja to umiejętność radzenia sobie z nowymi sytuacjami, których wzorce nie przewidzą.

Implikacja dla deweloperów jest znacząca. W miarę jak asystenci kodowania stają się coraz zdolniejsi, ludzka przewaga konkurencyjna coraz bardziej leży w abstrakcji – umiejętności dostrzegania ogólnej zasady łączącej różne konkretne przypadki.

Budowanie dla interfejsu agent-człowiek

Być może najbardziej praktyczną lekcją z obserwacji samouczących się agentów była kwestia struktury projektu. Kod bazowy, który dobrze współpracuje między ludźmi, nie zawsze dobrze współpracuje z AI – i na odwrót.

Agenty świetnie sobie radzą, gdy projekty mają:

• Jasne, spójne konwencje nazewnictwa
• Dobrze udokumentowane zależności
• Przewidywalne struktury plików
• Jawne wzorce obsługi błędów

Agenty mają problemy z projektami opartymi mocno na kontekście implikowanym – gdzie zrozumienie, dlaczego coś działa, wymaga wiedzy o historycznych decyzjach, których nie ma w samym kodzie.

To sugeruje nowy wymiar architektury projektu: projektowanie z myślą o interfejsie AI obok interfejsu ludzkiego. Kiedy budujesz projekt, który będzie mocno wykorzystywał wsparcie AI, niektóre tradycyjne praktyki mogą wymagać korekty. Jawne jest lepsze niż implikowane. Dokumentacja nie jest tylko dla przyszłych ludzi – jest też dla przyszłych agentów.

Połączenie z vibe coding

W NameOcean dużo mówimy o „vibe coding" – pojawiającej się praktyce wykorzystywania AI do przyspieszenia developmentu przy zachowaniu kontroli kreatywnej. Moje doświadczenia z samouczącymi się agentami wyjaśniły coś ważnego o tym, co sprawia, że vibe coding działa.

Vibe coding to nie pozwalanie AI na przejęcie steru. To znajdowanie właściwego podziału pracy między ludzkim osądem a możliwościami AI. Introspektywne agenty pokazały mi, że ten podział działa najlepiej, gdy:

1. Ludzie zajmują się abstrakcją i zasadami. Definiujemy ramy konceptualne, które prowadzą projekt.

2. Agenty zajmują się implementacją i wykonywaniem wzorców. Tłumaczą nasze zasady na działający kod, podążając za ustalonymi wzorcami.

3. Obie strony uczestniczą w ciągłych pętlach informacji zwrotnych. Ani człowiek, ani AI nie powinni działać w próżni.

Najlepiej działające samouczące się agenty utrzymywały produktywny dialog ze swoimi ludzkimi współpracownikami – otrzymywały wysokopoziomowe wskazówki, wykonywały konkretne zadania i raportowały, co zadziałało, a co nie.

Co to oznacza dla zespołów deweloperskich

Jeśli samouczące się agenty kodowania czegokolwiek nas uczą, to tego, że przyszłość developmentu nie polega na zastępowaniu ludzkiego osądu możliwościami AI. Chodzi o tworzenie lepszych pętli informacji zwrotnych między ludzką i maszynową inteligencją.

Dla zespołów deweloperskich chcących wdrożyć workflow z AI, sugeruje to kilka konkretnych praktyk:

• Zainwestuj w jakość informacji zwrotnych. Im lepiej twój zespół potrafi wyjaśniać, dlaczego coś działa lub nie działa, tym skuteczniej narzędzia AI będą się doskonalić.

• Dokumentuj nie tylko co, ale dlaczego. Przyszli współpracownicy AI skorzystają ze zrozumienia powodów stojących za decyzjami, nie tylko wyników.

• Projektuj z myślą o jasności. Projekty z wyraźną strukturą i przewidywalnymi wzorcami będą skuteczniej wykorzystywać wsparcie AI.

• Traktuj narzędzia AI jako partnerów współpracy, nie magiczne pudełka. Agenty, które się rozwijają, to agenty otrzymujące dobre dane wejściowe. Ta sama zasada dotyczy każdego workflow wspomaganego AI.

Szerszy obraz

Jest coś głębokiego w obserwowaniu systemu AI badającego własne rozumowanie. Zmusza nas to do konfrontacji z faktem, że te systemy – mimo imponujących możliwości – nadal działają jako silniki dopasowywania wzorców operujące na prawdopodobieństwach wyprowadzonych z danych treningowych.

Ale jest jedno „ale": ludzka intuicja też tak działa. Różnica leży w naszej zdolności do abstrakcji, do wnioskowania przyczynowego i do komunikowania naszego rozumowania innym. To są umiejętności, które pozostają wyraźnie ludzkie nawet w miarę rośnięcia możliwości narzędzi AI.

Lekcje od samouczących się agentów kodowania tak naprawdę nie dotyczą samych agentów. Dotyczą nas – tego, co wnosimy do współpracy, czego możemy się nauczyć obserwując systemy AI w działaniu, i jak możemy strukturyzować nasze praktyki, aby wyciągnąć jak najwięcej z dostępnych nam narzędzi.

W miarę jak development wspomagany AI staje się normą, nie wyjątkiem, te spostrzeżenia stają się coraz cenniejsze. Deweloperzy, którzy odniosą sukces, to ci, którzy rozumieją nie tylko co AI potrafi, ale jak efektywnie pracować z AI.

A czasami najlepszym sposobem, aby nauczyć się tej współpracy, jest obserwowanie agenta uczącego się o sobie samym.

Jakie są twoje doświadczenia z agentami kodowania AI? Krajobraz ewoluuje szybko, a wzorce, które obserwujemy dzisiaj, ukształtują praktyki deweloperskie na lata.