Slösa inte bort dina tokens på kod som AI borde lämna därhän
AI och kodning: rätt verktyg på rätt plats
Moderna AI-flöden slösar ofta resurser på uppgifter som borde vara deterministiska. Istället för att låta språkmodeller köra kommandon eller följa fasta rutiner kan man lägga den logiken i vanlig kod. Resultatet blir färre token-förbrukning och färre överraskningar.
När AI får för mycket ansvar
Att be en LLM köra SonarQube, tolka resultatet och föreslå åtgärder innebär flera riskmoment. Modellen måste hålla koll på din tech stack, välja rätt kommando, tolka output som inte är anpassad för naturligt språk och fatta beslut om nästa steg. Varje steg ökar risken för fel och extra kostnader.
Flytta determinismen dit den hör hemma
Lösningen är att låta vanlig kod hantera det förutsägbara. En anpassad extension kan:
- Känna till projektets struktur utan att gissa
- Köra samma process varje gång
- Ge AI:n verifierad information istället för tolkade gissningar
Detta frigör språkmodellen för det den är bra på: analys, kreativ problemlösning och beslut baserat på tillförlitlig data.
Bygg ditt eget flöde
Att kopiera någon annans AI-setup fungerar sällan optimalt. Varje projekt har egna krav och begränsningar. Börja med ett enkelt ramverk som ger läs-, skriv- och shell-åtkomst. Bygg sedan på med den logik som faktiskt behövs i just ditt fall.
Tre konkreta sätt att spara tokens
- Cacha smart. Använd verktyg som caveman för att komprimera repetitiva delar av systemprompten utan att förlora kontext.
- Minska kommandoutrymmet. Byt ut stora, otydliga verktygslistor mot komprimerade kommandon. Färre val minskar risken för fel.
- Normalisera lokalt. Låt vanliga skript hantera prompt-komprimering istället för att anropa modellen igen.
Vad betyder det för din setup?
Fråga dig själv var du låter AI göra saker som borde vara if-satser. Kan det ersättas av ett script eller ett API-anrop? Ju mer du flyttar över till deterministisk kod, desto mer kan AI:n fokusera på det som faktiskt kräver mänsklig bedömning.