Kiedy asystent AI do kodowania nie może się zdecydować

Używasz nowoczesnych narzędzi AI do programowania? Na pewno miałeś taką sytuację. Zadajesz proste pytanie. AI zaczyna pewnie analizować. A potem... zmienia zdanie. I jeszcze raz. I znowu.

To nie brak inteligencji. Raczej jak słuchanie czyichś myśli na żywo, bez redaktora. Może to zabawne, ale pokazuje, jak budujemy narzędzia deweloperskie w erze AI.

Zjawisko niezdecydowanego Copilota

Programiści testujący Claude Opus w GitHub Copilot napotkali to niedawno. Pracowali nad GoAWK – interpreterem AWK w Go. Bug był uparty: zamiast "x 1\n" wypisywało "0\n0\n" dla konkretnego programu AWK.

AI szybko znalazło przyczynę. Zmienne specjalne jak NR trzymane jako inty w Go traciły formę stringa.

Ale potem zaczęło się poprawianie. W kilka minut AI rzuciło siedem różnych pomysłów. Co gorsza, zmieniało je co chwilę – ponad 25 razy. Ciągle przeformułowując problem i kwestionując swoje sugestie.

Siedem opcji, które stały się dwudziestoma pięcioma

AI kręciło się wokół takich rozwiązań:

• Opcja A: Zachowaj reprezentację stringową dla zmiennych specjalnych
• Opcja B: Przechowuj je jako typy wartościowe
• Opcja C: Dodaj nadpisy stringowe przy przypisaniu
• Opcja D: Napraw tylko opcode ForIn
• Opcja E: Użyj bocznego pola na oryginalne wartości
• Opcja F: Zmień tylko lineNum i fileLineNum na typy wartościowe
• Opcja G: Wprowadź mapę nadpisań dla typów wartościowych

Najlepsze? Wewnętrzny monolog AI. Co chwilę: "Najprościej będzie...", "Ale właściwie problem to...", "Wracam do pierwszej myśli...".

Dlaczego tak się dzieje?

Modele jak Claude szukają wielu perspektyw. Rozpoznają, że problem może mieć kilka dobrych rozwiązań. I tu je miały – kilka opcji działałoby.

Brakuje im funkcji oceny, np. "minimalne zmiany" czy "zachowaj kompatybilność". Bez tego AI kręci się w kółko. Nie jest głupie – po prostu za bardzo stara się być dokładne.

Co naprawdę pomogło

Mimo zamieszania AI najczęściej wskazywało Opcję B (11 z 26 razy). Deweloper ją wdrożył – zmienne specjalne jako typy wartościowe zamiast intów. I to był strzał w dziesiątkę.

Tu kryje się siła AI w kodowaniu. Nawet z wahaniem:

• Zdiagnozowało szybciej niż ręczne debugowanie
• Wskazało optimum (choć po 25 próbach)
• Przejrzało edge case'y i alternatywy
• Dało gotowy kod

Co to znaczy dla programistów z AI?

Używasz Claude'a, ChatGPT czy podobnych? Oto rady:

AI świetnie diagnozuje, ale decyzje idą mu opornie. Jeśli powtarza "Ale właściwie...", to eksploruje opcje. To cenna cecha – dostajesz wiele spojrzeń.

Daj jasne ramy od razu. Zamiast "jak naprawić bug?", spytaj "jak naprawić z najmniejszą refaktoryzacją?" lub "jaka najmniejsza zmiana wystarczy?".

Trajtuj jak partnera do myślenia, nie wyrocznię. Klucz to śledzenie rozumowania. Wahanie? Czas przeanalizować opcje.

Przyszłość rozwoju z AI na luzie

To doświadczenie podpowiada kierunek dla AI w devie. W NameOcean na platformie Vibe Hosting myślimy, jak lepiej wpleść AI w workflow. Nie po to, by decydowało za nas – ale by eksplorowało, a my wybierali świadomie.

Niedługo systemy będą oceniać opcje pod kątem projektu. Wyobraź sobie: "Opcja B pasuje, bo zgadza się z architekturą twojego kodu". Zamiast bezkońcowego kręcenia.

Podsumowanie

Ten niezdecydowany AI nie był zepsuty. Myślał głośno bez ram decyzyjnych. Ale spójrz na efekty: szybka diagnoza, wiele opcji, wskazanie najlepszej.

Przyszłość to nie idealne AI z decyzjami. To AI, które głęboko eksploruje, jasno wyjaśnia i zostawia wybór deweloperowi.

Następnym razem, gdy twój asystent się waha – doceń. Robi to, co ma: patrzy na problem z każdej strony.