Cum să nu mai arunci tokeni pe lucruri pe care codul le rezolvă mai bine
Paradoxul AI în programare
Se întâmplă ceva ciudat în felul în care folosim AI-ul la cod. Echipele construiesc sisteme complexe în care modelele de limbaj iau decizii despre sarcini care ar trebui să fie complet previzibile. Între timp, consumul de tokeni crește, rezultatele variază și dezvoltatorii trebuie să verifice constant ca nu cumva AI-ul să fi omis un pas important.
E ca și cum ai angaja un consultant de top doar ca să aprindă lumina.
De ce delegarea oarbă nu funcționează
Când ceri unui LLM să ruleze SonarQube, să analizeze rezultatele și să propună soluții, îi ceri de fapt prea multe lucruri simultan. Modelul trebuie să-și amintească stack-ul, să decidă ce comandă să folosească, să interpreteze un output tehnic și să aleagă ce pași urmează. Fiecare pas e o oportunitate de eroare. Iar erorile costă tokeni și timp de verificare.
Rezultatul e un sistem care pare inteligent, dar se comportă imprevizibil.
Soluția: determinism în cod
Răspunsul nu e spectaculos: mută sarcinile deterministe înapoi în codul real.
În loc să ceri AI-ului să „facă review de cod”, construiești o extensie care știe exact structura proiectului, rulează aceleași comenzi de fiecare dată și produce date consistente pe care AI-ul le poate analiza. Nu înlocuiești inteligența artificială, o folosești doar pentru ce face bine: analiză, creativitate și decizii bazate pe informații sigure.
Cum să-ți construiești propriul flux
Cea mai proastă idee e să copiezi workflow-ul altcuiva. Ce funcționează pentru ei nu se potrivește neapărat cu proiectul tău. E ca la dotfiles: te uiți cum au rezolvat alții problema, apoi adaptezi soluția la nevoile tale.
Pornește de la unelte simple: un cadru de bază cu capacități de citire, scriere, editare și acces la shell. Restul — extensiile, logica specifică — construiești tu.
Trei moduri practice de a reduce consumul
Folosește cache agresiv. Fiecare mesaj trimite din nou prompt-ul de sistem și definițiile tool-urilor. Instrumente specializate de compresie pot reduce această redundanță fără să piardă contextul.
Simplifică lista de comenzi. Când AI-ul primește o listă prea lungă de tool-uri, se pierde. O listă condensată reduce confuzia și ajută modelul să se concentreze pe sarcină.
Compactează local. E mai eficient să normalizezi prompt-urile cu unelte locale decât să ceri AI-ului să le scurteze. Evit astfel apeluri inutile și economisești tokeni.
Ce câștigi cu adevărat
Un dezvoltator care a renunțat la workflow-urile complicate cu agenți a scăzut semnificativ consumul de tokeni, fără să piardă din productivitate. Asta e punctul de cotitură: nu folosești AI-ul mai puțin, ci mai inteligent — doar acolo unde raționamentul uman aduce valoare reală.