Nechte AI počítat, ne plýtvat tokeny
Když AI dělá práci, kterou by měl dělat kód
V dnešních vývojářských týmech se často setkáte s podivným jevem. Místo toho, aby se AI věnovala analýze a rozhodování, dostává za úkol spouštět příkazy, číst výstupy nástrojů nebo kontrolovat, jestli vše proběhlo podle manuálu. Výsledek? Spousta zbytečných tokenů, nepředvídatelné chování a vývojář, který musí všechno hlídat.
Je to jako najímat experta, aby za vás zapínal světla.
Problém s přílišným spoléhat se na AI
Když řeknete modelu „spusť SonarQube, vyhodnoť výsledky a navrhni opravy“, nutíte ho zvládnout spoustu věcí najednou. Musí si pamatovat vaše nastavení, vybrat správné příkazy, pochopit výstup, který pro něj nebyl určen, a rozhodnout se o dalších krocích. Každá z těchto úloh přináší riziko, že model něco přehlédne nebo si něco vymyslí.
Místo inteligentního asistenta tak vzniká systém, který vypadá chytře, ale chová se nespolehlivě.
Vraťme determinismu jeho místo
Řešení je jednoduché – deterministické úkoly nechat tam, kam patří. Tedy v kódu.
Místo toho, abyste AI nechali řídit celou kontrolu kódu, vytvořte rozšíření, které:
- Zná strukturu vašeho projektu
- Vždy běží stejným způsobem
- Má předvídatelné náklady
- Připraví ověřená data pro AI
Díky tomu se model může soustředit na to, v čem je opravdu dobrý – na analýzu, kreativitu a rozhodování na základě spolehlivých informací.
Vlastní workflow místo slepého kopírování
Největší chyba je převzít hotový postup od někoho jiného. Co funguje v jednom týmu, nemusí vyhovovat vašemu projektu. Stejně jako u dotfiles je lepší se inspirovat a pak si vše přizpůsobit vlastním potřebám.
Základní sada nástrojů – čtení, zápis, editace a přístup do shellu – obvykle stačí. Všechno ostatní by mělo být něco, co rozumíte a co jste si sami vytvořili.
Tři konkrétní tipy na úsporu tokenů
Agresivní cachování. Systémový prompt a definice nástrojů se opakují v každé zprávě. Dobře nastavené cachování dokáže tuto zátěž výrazně snížit.
Zjednodušení nabídky příkazů. Příliš dlouhý seznam dostupných nástrojů AI spíš mate než pomáhá. Kratší a přehlednější seznam vede k méně chyb a rychlejší práci.
Lokální komprese. Místo toho, abyste model žádali o zkrácení promptu, použijte lokální nástroje. Jsou rychlejší, levnější a zachovávají kontext.
Kde AI skutečně přináší hodnotu
Jeden vývojář přešel z komplikovaných agentních workflow na deterministická rozšíření a najednou výrazně klesla jeho spotřeba tokenů. Ne proto, že by AI používal méně, ale proto, že ji používal tam, kde skutečně pomáhá.
Stejnou otázku si můžete položit i vy: Kde v mém procesu AI dělá něco, co by měl dělat kód? A kde ji naopak nechávám dělat to, v čem je opravdu dobrá?