Hvorfor AI-kodere sliter i store prosjekter: Erfaringer fra 1 281 reelle kjøringer

AI-verktøy har gjort det mye enklere å fikse bugs og bygge nye funksjoner. Men når disse agentene møter store, komplekse kodebaser, går det ofte galt.

En gjennomgang av 1 281 kjøringer viser tydelig hvorfor AI-en får problemer, og hva som faktisk hjelper.

Skala skaper eksponentiell kompleksitet

Å jobbe med 100 000 linjer kode er ikke bare ti ganger vanskeligere enn 10 000. Kompleksiteten øker mye raskere enn størrelsen.

AI-agenter som er trent på små eksempler, sliter når de må:

• Finne veien gjennom tusenvis av sammenkoblede filer
• Forstå sammenhenger mellom ulike tjenester
• Vurdere konsekvenser på tvers av flere lag i arkitekturen
• Holde styr på langvarige resonnementskjeder

Jo større kodebasen er, desto viktigere er det med smart kontekstfiltrering og god forståelse av arkitekturen.

Fem vanlige feilmønstre og hvordan du unngår dem

1. Kontekstvinduet går tomt

Agenten får ikke hele bildet. Den ser bare deler av avhengighetene, og dermed gjør den feil.

Løsninger:

• Indekser kodebasen med vekt på relevant innhold
• Bruk verktøy som kartlegger avhengigheter på forhånd
• Lag dokumentasjon som fungerer som en oversikt, og ikke bare som en kode-dump
• Del agentene opp i spesialiserte deler som håndterer egne områder

2. Navn og betydning som ikke stemmer

I store kodebaser finner vi ofte inkonsekvent navngivning, gamle og nye mønstre sammen, and<|eos|>