Hvorfor AI-kodeassistenter må huske mer enn bare samtalen

Problemet med tilstandsløse AI-koder

De fleste har kjent på det: Du ber en AI-kodeassistent om hjelp til en krevende migrering, får brukbart svar, og så er det borte. En uke senere spør du om arkitekturmønstre, og verktøyet husker ingenting av det du nettopp lærte det. Du må starte på nytt og forklare tech-stacken som om du trener en nyansatt som blir slettet hver fredag.

Dagens kodeagenter fungerer stort sett slik. De er sesjonsbaserte, og hver enkelt samtale behandles som en isolert hendelse. Konteksten fra kodebasen, detaljene rundt deploy, og teamets vaner forsvinner når du lukker fanen. Det er som å ansette en konsulent som glemmer alt når de går ut døren.

Ekte ingeniørteam bygger derimot på akkumulert kunnskap. En seniorutvikler i teamet husker hvorfor vi valgte den arkitekturen. De vet hvilke CI/CD-mønstre som har skapt problemer før. De kjenner de uformelle reglene i kodebasen fordi de har levd i den. Den institusjonelle hukommelsen gjør at teamene leverer raskere og smartere.

Løkken som skaper erfaring

I stedet for dette kan vi tenke oss en AI-ingeniør som lærer av hver oppgave den fullfører. Ikke bare i en vag, markedsføringsorientert måte, men gjennom å samle opp ekte engineering-kontekst som gjør den bedre på neste jobb.

Dette gjør det slik:

Deploy en vedvarende AI-arbeider knyttet til dine repositories og team. Gi den et navn. Gi den en identitet.

Tildel den ekte arbeid – PR-gjennomganger, incident-håndtering, migreringer, og alt som står på roadmapen. Hver oppgave blir logget og blir tilskrevet en person.

Husk hva som skjedde. Ikke bare koden som ble skrevet, og而是 de oppdagede mønstrene, de møte med