„Yra didžiulis atotrūkis tarp to, ką DI jau gali padaryti šiandien, ir to, ką dauguma žmonių iš tikrųjų su juo daro.
Šio atotrūkio panaikinimas užtruks metus. Tuo tarpu bus sukurti turtai ne tik milžiniškoms technologijų įmonėms, bet ir paprastiems žmonėms, kurie naudoja tų įmonių DI modelius, kurdami savo produktus ir paslaugas.
Smalsuoliai jau pirmauja. Ožkų ganytojas (ir programinės įrangos kūrėjas) kaimiškoje Australijos vietovėje atrado paprastą, bet radikaliai naują techniką, kaip optimizuoti pirmaujančio programinės įrangos rašymo DI našumą. Beveik 50 metų senumo sodininkystės įmonė Beikersfilde, Kalifornijoje, diegia DI agentą, kuris sujungia jos augintojus su dešimtmečių profesionalių agronomų išmintimi. Tekstų kūrėja, kurios verslą nuniokojo klientų DI naudojimas, nukreipė jos pastangas į tų pačių klientų mokymą, kaip kurti savo DI įrankius.
Technologijų sklaida vyksta kiekvieną dieną, kai žmonės pritaiko inovacijas, kad atitiktų jų asmeninius ar verslo poreikius. Su DI yra naujas posūkis: šiandieninis generatyvus DI yra daug prieinamesnis, nei ankstesnės technologijos, ir gali būti naudojamas net ir, netechninių žinių turinčių, žmonių. Nėra „teisingo“ būdo jį naudoti.
Pasak „Pew“ tyrimų centro, vos per trejus metus dirbtinio intelekto naudojimas padidėjo nuo beveik nulio iki to, kad 62 % amerikiečių teigia jį naudojantys kelis kartus per savaitę. Ir nors didžioji dalis šio naudojimo, tikriausiai, yra gana elementarus, informuotumas apie dirbtinį intelektą išaugo iki beveik 100 %.
Tai ne istorija apie dirbtinio intelekto virsmą antžmogišku intelektu, kuris pakeičia darbuotojus. Dirbtinis intelektas pirmiausia išlieka įrankiu, kuris pagerina mūsų esamus gebėjimus. Tačiau tyrėjams ir vartotojams suvokiant realaus pasaulio šiuolaikinio dirbtinio intelekto funkcionalumą, jie mato didžiules galimybes produktyvumui ir ekonomikos augimui.
Prieš dvejus metus dirbtinio intelekto pokalbių robotai buvo pernelyg išrankūs ir linkę į klaidas, kad būtų patikimi ir plačiai naudingi daugumai žmonių, sako Ramas Bala, Santa Klaros universiteto dirbtinio intelekto docentas. Šiandien, anot jo, jie yra pasiruošę geriausiam laikui dėl pažangos, mažinant haliucinacijas ir integruojant šiuos dirbtinio intelekto modelius į kitas programinės įrangos sistemas.
Kad ir kas būtų toliau dirbtinio intelekto plėtros procese, esamų technologijų diegimas sukels sniego gniūžtės efektą. ir kitą dešimtmetį.
Didžiausios dirbtinio intelekto inovacijos gali kilti iš naudotojų darbe ar namuose, o ne iš technologijų gigantų ir tyrimų laboratorijų.
Įmonės, kuriančios dirbtinio intelekto modelius, tai žino ir dabar reklamuoja programas, kurias sukūrė jų pačių naudotojai. Pavyzdžiui, praėjusią savaitę „OpenAI“ pristatė „ChatGPT Health“, kad pademonstruotų savo gebėjimą analizuoti medicininius įrašus, sveikatingumo programas ir paslaugų teikėjų sąskaitas, siekiant pagerinti sveikatos priežiūros rezultatus.
„Anthropic“ programinės įrangos rašymo dirbtinio intelekto sistemos „Claude Code“ naudotojai neseniai atrado būdą, kaip kurti užbaigtas, be klaidų programas be žmogaus įsikišimo. (Vienas iš pradininkų buvo minėtas Australijos ožkų piemuo.) Gudrybė: parašykite nedidelę programą, kuri vėl ir vėl prašo dirbtinio intelekto patobulinti jau parašytą kodą. Šis paprastas triukas, pavadintas Ralpho Wiggumo technika, pagal kvailoką, bet nuolat optimistišką „Simpsonų“ personažą, yra veiksmingas, priverčiant Claude'ą Code'ą patį spręsti problemas [1].
Šis atradimas yra puikus „gebėjimų pertekliaus“ pavyzdys, sako Ethanas Mollickas, Pensilvanijos universiteto inovacijų ir verslumo profesorius. Vartono mokykla ir vienas iš pirmaujančių generatyvinio dirbtinio intelekto autoritetų. Taip jis apibūdina daugybę naujų dalykų, kuriuos gali atlikti esamas dirbtinis intelektas ir kurie buvo nežinomi, kol jų neatrado vartotojai.
„Tai įrankis, kuris programuoja ir rašo dokumentus, taip pat gali redaguoti vaizdus, taip pat gali skaityti etruskų kalbą ir daugybę kitų dalykų“, – sako Mollickas. Programinės įrangos projektai, skirti siaurai auditorijai, bet turintys didelį potencialų poveikį, galėjo būti atidėti dėl pinigų ir talentų stokos. Dabar juos gali sukurti saujelė žmonių arba net vienas, padedamas dirbtinio intelekto, priduria jis.
Daugelis žmonių, kuriančių su dirbtiniu intelektu, pastebi, kad sujungus kelis dirbtinio intelekto modelius galima gauti galimybių, gerokai viršijančių vieno modelio galimybes. „Meta“ siekia įsigyti „Manus“, kuri kuria programinės įrangos „agentą“, galintį rengti išsamiai ištirtas ataskaitas ir atlikti kitus veiksmus internete. Nors „Meta“ turi savo dirbtinio intelekto modelius, „Manus“ naudoja jų derinį, įskaitant „Anthropic“ ir kitų modelius.
Santa Klaros universiteto Bala, kuris taip pat vadovauja įmonei, kuriančiai realaus pasaulio dirbtinio intelekto programas, šiuo metu su savo komanda dirba prie programėlės „Sun World“, naujų vaisių ir daržovių veislių Kalifornijos kūrėjams. Ūkininkai, kuriems reikia patarimų, kaip geriausiai auginti savo pasėlius, gali natūralia kalba kalbėtis su dirbtinio intelekto agentais, turončiais iš anksto įkeltus mokslinės literatūros tyrimus bei profesionalių agronomų bendruomenės patarimus.
Nors sąsają palaiko vienas iš įprastų aukščiausios klasės pokalbių robotų, jai tiekiama informacija buvo iš anksto apdorota ir patobulinta kitų dirbtinio intelekto agentų, vadinamo duomenų praturtinimu.
Reikalingi įgūdžiai
Šios programėlės, skirtos agronomams, kūrimo būdai nelabai skiriasi nuo tų, kurias Bala naudoja jau daugelį metų, kaip duomenų mokslininkė ir programinės įrangos inžinierė. Skirtumas tas, kad dabar dirbtinis intelektas (DI) padaro individualius inžinierius daug efektyvesnius, leisdamas nedidelei komandai atlikti tai, kas anksčiau būtų buvę beveik neįmanoma, net ir turint daug daugiau išteklių.
Prieš „ChatGPT“ debiutą 2022 m. lapkritį Leanne Shelton patogiai užsidirbdavo pragyvenimui, dirbdama, laisvai samdoma, tekstų kūrėja Sidnėjaus priemiestyje. Netrukus po debiuto, kaip ir kitiems jos srities specialistams, jos verslas išseko. Taigi, ji tapo „ChatGPT“ pritaikymo balsiniams rinkodaros tekstams rašyti eksperte. Dabar ji uždirba daugiau, nei kada nors anksčiau, kai buvo tekstų kūrėja, sako ji.
Ji ir kiti patys atranda DI galimybių perteklių. Jos istorija taip pat iliustruoja, kad DI pritaikymas savo duomenimis nereiškia, kad turite būti programinės įrangos inžinieriumi, kaip Bala.
Didelis spaudimas pritaikyti DI – iš viršininkų, kolegų ir, jei esate ankstesnis naudotojas, kaip aš, balsų jūsų galvoje – yra realus. Taip pat ir, regis, begalinės galimybės tyrinėti esamas jo galimybes.
„Galvoju apie sritis, kurias dirbtinis intelektas gali staiga paveikti“, – sako Mollickas. Jis mano, kad matysime staigias inovacijas, dažnai netikėtose srityse, net ir tada, kai kitos sritys ir kai kuriuos vaidmenis atliekantys žmonės atsilieka. „Netolygumą bus sunku numatyti.“ [2]
1. Ralpho Wiggumo technika (arba „Ralpho režimas“) yra virusinė dirbtinio intelekto kūrimo metodika, kuri naudoja autonominius ciklus sudėtingoms kodavimo užduotims atlikti.
Pavadinta atkaklaus Simpsonų personažo vardu, pagrindinė filosofija yra „iteracija nugali tobulumą“ – užuot tikėjęsis, kad dirbtinis intelektas vienu kartu teisingai sugeneruos kodą, ši technika verčia jį ne tik suklysti, bet mokytis ir bandyti dar kartą, kol bus pasiektas konkretus tikslas.
Pagrindinė metodika
Šią techniką išpopuliarino kūrėjas Geoffrey Huntley, kuris ją garsiai apibūdino, kaip tiesiog „Bash ciklą“. Ji veikia per nuolatinį ciklą:
Fiksuotas raginimas: dirbtinio intelekto agentui (dažniausiai Claude'ui Code'ui) pateikiama užduotis ir „užbaigimo pažadas“ (pvz., <promise>ATLIKTA</promise>) [3].
Autonominis vykdymas: agentas bando atlikti užduotį, atlikdamas testus ir linter patikrinimus [4].
Stop Hook: kai agentas bando išeiti, specializuotas papildinys („ralph-wiggum“ papildinys) perima išėjimo komandą. Jei užbaigimo pažadas nebuvo įvykdytas, jis iš naujo įterpia pradinę užklausą.
Nuolatinis kontekstas: Kadangi progresas išsaugomas „git“ istorijoje [5] ir modifikuotuose failuose, kita iteracija „mato“ ankstesnius darbus ir klaidų žurnalus, todėl gali savarankiškai taisyti klaidas.
Naudojimo atvejai ir sėkmės
Senos migracijos: Testų perkėlimas (pvz., iš „Jest“ į „Vitest“) arba pagrindinių sistemos versijų atnaujinimas, kol kūrėjai miega.
„Greenfield“ projektai: „Huntley“ panaudojo 3 mėnesių ciklą, kad sukurtų „Cursed“ – visiškai funkcionalią programavimo kalbą, pagrįstą Z kartos slengu.
Sutartinis darbas: Pranešama, kad vienas kūrėjas įvykdė 50 000 USD vertės sutartį, kurios API kaina siekė tik 297 USD, paleisdamas „Ralph“ per naktį.
Įdiegimas ir saugumas
Norėdami naudoti šią techniką, kūrėjai paprastai įdiegia oficialų papildinį „Claude Code“:
Komanda: /ralph-loop „<užklausa>“ --completion-promise „<tekstas>“ --max-iterations <n>.
Saugumas: Vartotojams primygtinai rekomenduojama nustatyti „--max-iterations“, kad būtų išvengta „žetonų deginimo“ (begalinių ciklų, kurie švaisto pinigus) ir paleisti ciklus „Docker“ smėlio dėžėse, kad DI netyčia nepažeistų vietinės sistemos.
2. EXCHANGE --- Keywords: Our AI Future Is Here. We're All Using It Differently. --- Everyday folks are experimenting with AI to enhance their lives. Mims, Christopher. Wall Street Journal, Eastern edition; New York, N.Y.. 10 Jan 2026: B1.
3. „Užbaigimo pažadas“ yra konkreti frazė arba prieigos raktas, kurį didelis kalbos modelis (LLM) gauna nurodymą išvesti tik tada, kai jis iš tikrųjų atliko tam tikrą užduotį pagal nurodytus reikalavimus.
Funkcija ir kontekstas
DI agento ciklai: ši technika daugiausia naudojama DI agentų kūrime, ypač tokiose metodologijose, kaip „Ralph Wiggum“ ciklas. Šiame cikle agentas pakartotinai dirba su užduotimi ir bando „išeiti“ iš ciklo. Stabdymo kabliukas perima išėjimą ir dar kartą paragina agentą tęsti darbą, kol bus įvykdyta konkreti sąlyga.
Išėjimo sąlyga: „Užbaigimo pažadas“ yra aiškus signalas agentui nutraukti ciklą. Kai agentas išveda tikslią pažadėtą frazę nurodytose XML žymėse (pvz., <promise>ATLIKTA</promise>), sistema atpažįsta užduotį, kaip atliktą ir sustabdo iteracinį procesą.
Skatina kruopštumą: Frazuotės paprastai yra stiprios ir aiškios (pvz., „Užduotis atlikta. Visi reikalavimai įgyvendinti. Nesirinkau jokių trumpesnių kelių.“), siekiant paskatinti dirbtinį intelektą būti kruopščiam ir patikrinti savo darbą, prieš bandant baigti. Agentui nurodoma neišvesti pažado, nebent teiginys būtų tikrai teisingas.
Pritaikoma: Tikslų pažado tekstą galima pritaikyti, tačiau rekomenduojama naudoti prasmingas frazes, o ne miglotas, pvz., „ATLIKTA“, siekiant išvengti per ankstyvų išėjimų.
Naudojimo pavyzdys
Naudojimas gali paleisti komandą dirbtinio intelekto kodavimo aplinkoje:
/ralph-loop „Jūsų užduoties aprašymas“ --completion-promise „<promise>TASK_VERIFIED</promise>“
Tuomet dirbtinis intelektas iteratyviai dirbtų su kodu, kol nustatytų, kad užduotis atlikta, tada išvestų reikiamą <promise>TASK_VERIFIED</promise>, kad sustabdytų ciklą.
4. Linter patikrinimai yra automatizuota kodo analizė, atliekama įrankių (linter), siekiant rasti sintaksės klaidas, stiliaus problemas ir galimas klaidas, pvz., nenaudojamus kintamuosius ar saugumo spragas, užtikrinti kodavimo standartų laikymąsi, pagerinti skaitomumą ir užtikrinti nuoseklumą tarp projektų, dar prieš paleidžiant kodą, taupant laiką rankinėse peržiūrose ir CI/CD procesuose. Jie analizuoja kodo struktūrą (dažnai naudodami abstrakčią sintaksės medį, AST) pagal apibrėžtas taisykles, pažymėdami problemas, pvz., trūkstamus kabliataškius, nenuoseklią įtrauką ar rizikingus modelius, ir yra labai svarbūs prižiūrimam, aukštos kokybės kodui.
Dažniausiai atliekami linter patikrinimai:
Sintaksės klaidos:
Aptinka pagrindinius kalbos taisyklių pažeidimus, pvz., neuždarytus skliaustus arba trūkstamus kabliataškius.
Stilius ir formatavimas:
Užtikrina nuoseklų įtraukimą, tarpus, eilutės ilgį ir pavadinimų suteikimo konvencijas (pvz., camelCase ir snake_case).
Geriausia praktika:
Pažymi neefektyvius, pasenusius arba rizikingus kodo modelius (pvz., naudojant == vietoj === JavaScript).
Klaidoms linkęs kodas:
Nustato galimas klaidas, pvz., nenaudojamus kintamuosius, nepasiekiamą kodą arba neinicializuotus kintamuosius.
Tipų patikrinimai:
Patikrina kintamųjų ir funkcijų tipus, aptinka tipų neatitikimus.
Saugumas:
Aptinka dažniausiai pasitaikančius pažeidžiamumus, pvz., SQL injekcijos riziką arba nesaugių funkcijų naudojimą, dažnai tikrindamas pagal tokius standartus, kaip OWASP.
Pagrindiniai privalumai:
Ankstyvas klaidų aptikimas:
Aptinka problemas redaktoriuje arba išankstinio įdiegimo metu, prieš joms pasiekiant testavimo ar gamybos etapą.
Kodo nuoseklumas:
Užtikrina vieningą stilių, todėl komandoms lengviau skaityti ir prižiūrėti kodą.
Greitesnės peržiūros:
Automatizuoja paprastus patikrinimus, leisdamos žmonėms, atliekantiems peržiūrą, sutelkti dėmesį į logiką ir architektūrą.
Mokymosi priemonė:
Padeda kūrėjams išmokti konkrečios kalbos geriausios praktikos ir sudėtingumo.
Linters pavyzdžiai:
ESLint: (JavaScript/TypeScript)
Ruff: (Python)
Stylelint: (CSS/SCSS)
Biome: (JavaScript/TypeScript)
Gosec: (Go security)
5. „Git“ istorija – tai išsamus kiekvieno projekto pakeitimo (įvykdymo, atšakos, sujungimo) įrašas, laikui bėgant. Tai pagrindinė „Git“ versijų valdymo sistemos funkcija, naudojama pažangai stebėti, derinti ir kodo bazės evoliucijai suprasti.
Istorija saugoma paslėptame .git kataloge jūsų projekte, o „Git“ teikia keletą galingų komandinės eilutės įrankių jai peržiūrėti ir valdyti.
Pagrindinės komandos istorijai peržiūrėti
Pagrindinė komanda istorijai peržiūrėti yra „git log“. Pagal numatytuosius nustatymus ji išvardija pakeitimus atvirkštine chronologine tvarka.
Štai keli įprasti „git log“ naudojimo būdai:
„git log“: rodo visą pakeitimų istoriją, įskaitant pakeitimų SHA-1 kontrolinę sumą (dažnai vadinamą tiesiog pakeitimų maiša arba SHA, tai unikali 40 simbolių šešioliktainė eilutė, kuri yra unikalus kiekvieno pakeitimo „Git“ saugykloje identifikatorius), autorių, datą ir pakeitimų pranešimą.
„git log --oneline“: pateikia glaustą, vienos eilutės santrauką kiekvienam pakeitimui, kuri naudinga, norint greitai peržiūrėti.
„git log -p“ arba „--patch“: rodo konkrečius pakeitimus (skirtumus), atliktus kiekviename pakeitime.
„git log --author="Name": filtruoja istoriją, kad būtų rodomi tik konkretaus autoriaus atlikti pakeitimai.
„git log --since="prieš 2 savaites": apriboja išvestį pakeitimais, atliktais per tam tikrą laikotarpį.
„git log“ kelias/į/failą: rodo konkretaus failo pakeitimų istoriją.
git log --graph --oneline --all: Vizualizuoja šakos istoriją ASCII grafiku, rodydamas, kaip įvyko skirtingos šakos ir sujungimai.
Istorijos valdymas
„Git“ istoriją galima keisti arba supaprastinti, naudojant valdymo komandas, tačiau jas reikia naudoti atsargiai, nes jos perrašo projekto istoriją:
git reset: Naudojama dabartinės šakos antraštei perkelti į kitą commit, kuris gali efektyviai atmesti vėlesnę istoriją (programinis arba techninis atkūrimas).
git revert <commit>: Sukuria naują commit, kuris anuliuoja nurodyto ankstesnio commit pakeitimus, išsaugodamas projekto istoriją.
git rebase: Naudojama commit sekai perkelti arba sujungti į naują bazinį commit, dažnai naudojama linijinei istorijai sukurti.
git cherry-pick <commit>: Taiko pakeitimus, įvestus esamo commit iš kitos šakos.
Komentarų nėra:
Rašyti komentarą