Az AI amnézia: a problémát, amit mindenki elhallgat

A kódolás ritkán olyan zökkenőmentes, mint ahogyan azt a reklámok mutatják. Éppen mélyen benne vagy a munkában, az AI jól működő refaktort javasol, és minden tökéletesnek tűnik. Másnap azonban újra kell kezdeni mindent – az eszköznek fogalma sincs, mi történt tegnap.

Ez az úgynevezett session amnesia, és ma már az egyik legnagyobb rejtett akadály a fejlesztői munkában.

Miért kerül ennyi időbe a nulláról indulás

Amikor először próbálkozunk az AI-alapú eszközökkel, a gyors eredmények lenyűgözőek. A boilerplate szinte magától íródik, és a komplex logika szinte azonnal megjelenik. De ahogyan a projekt egyre nagyobb és bonyolultabb szintre ér, egyre több időt kell szánni az újra elmondásra.

Minden alkalommal, amikor újraindítjuk az IDE-t, másnap folytatjuk a munkát, vagy új fiókban nyitjuk meg az AI-t – tulajdonképpen mindig egy üres lapot kapunk. Az eszköznek nincs emléke a korábban kialakított mintákról, elnevezési konvenciókról vagy az elkerülendő megoldásokról.

Ez nem csupán kényelmetlenség. Ez egy folyamatosan növekvő termelékenységveszteség.

A rejtett költségek

A kontextus újjáépítése energiát igényel

Amikor újra meg kell magyarázni, miről szól a projekt és milyen döntéseket hoztunk korábban, az már nem csak tippelés. A gondolkodásunk is átvált – a probléma megoldása helyett inkább a „bevezető” részt írjuk. Ez a váltás könnyen 5–10 percet vesz el minden alkalommal.

Az architektúra döntései újra megkérdőjeleződnek

A state management egy adott módon lett kialakított három hétekor. Az AI azonban nem tudja ezt, és teljesen új javaslatot gives. Így a együttműködés helyett inkább a minőség-ellenőrzés a feladatunk.

A körkörös hibakeresés csapdája

Egy trükkös hiba tegnap megoldódott. Ma azonban ugyanaz a megoldás újra javasolt. Ha elfogadjuk, másnap újabb probléma keletkezhet. Ez a faj vonal a kódolás egyik legkimerítőbb része.

A flow state megszakad

A tapasztalt kódolók tudják, hogy a mély koncentráció alatt a legjobb munkákat írják. Ezeket der Prozess minden alkalommal megszakítja, amikor új kontextust kell felépíteni.

Mi történik valójában a háttérben

A legtöbb AI eszköz jelenleg minden egyes beszélgetést különálló tranzakcióként kezel. Az IDE-ben ugyan lehetnek részleges kontextusok, but true long-term memory még mindig nem elérhető.

Az LLM-ek architektúrája miatt ez nehéz megoldható. Az eszközök nem „tárolnak” információkat – egyszerűen feldolgozzák a bemenetet és generálják a kimenetet. A hosszere a kontextus fenntartása így nehéz megoldható.

A jelenlegi stratégiák

Architecture Decision Record fenntartása

A repo-ban egy egyszerű markdown fájlba írhatunk a döntéseinkről. Ezt az AI számára megosztjuk az új kezdéskor – így ez az eszköz a „shared memory”-ként működik.

Rendszerpromptok fejlesztése

A rendszerpromptba beírhatunk kódolási szándékokat és architektúrákat. A kezdeti időtől megtakarított idő később csökkede a kontextus elvesztését.

A jobb memóriás eszközök keresése

A workspace indexing és session persistence típusú tulajdonságok már jelen vannak néhány eszközben. Több fájlt tartalmazs tartalmakról lehet haa.

Külső kontextus rögzítése

A döntéseinket és ismert problémákat egy külön dokumentumban írjuk. Ezt mindig az új kezdéskor újra írjuk.

A hasonló feladatok csoportosítása

A hasonló kódolás feladatok együtt kezelhetők, így a kontextus fenntartása is könnyebb.

Az elkövetkező években

A 12–18 hónapban várhatóan új fejlesztők a memory layers és agent-based workflows alapján. A kódolás így könnyebb és zökkenőmentes lesz.

Összefoglaló

AI eszközök így még nem tökéletesek. A session amnesia nem megoldatlan probléma, míg a megoldás fejlesztése nehéz. A bátor fejlesztők azonban már most használják stratégiákat, hogy a flow state fenntartásaم lehetséges legyen.