ჯერ კიდევ საჭიროა IDE? როგორ ვინაწილებ სამუშაოს AI-აგენტთან და რას ვიტოვებ ჩემთვის

JetBrains-მა ერთ კვირაში სამი ტექსტი გამოუშვა: ესე იმაზე, რისთვის გვჭირდება IDE აგენტების ეპოქაში, Air Governance-ის რელიზი აგენტებისა და ხარჯების სამართავად და ციფრები იმაზე, რა სამუშაოს მიცემას აპირებენ დეველოპერები AI-სთვის. GitLab-მა აგენტისთვის სამი ამოცანა შემოგვთავაზა, Simon Willison-მა პროგრამირების, როგორც თავსატეხის, ნეკროლოგი გაგვიზიარა, Latent Space-მა კი Claude Code-ის მოდები აღწერა. ბიზნესის მფლობელისთვის, რომელიც დეველოპმენტს უკვეთავს, კითხვა ერთია: კონტრაქტორის სამუშაოში რას აკეთებს მოდელი და რაზე აგებს პასუხს თავად.

რა გამოვიდა

JetBrains-მა 20 ოქტომბერს ესე „Why We Still Need an IDE“ გამოაქვეყნა. ავტორი აგენტურ დეველოპმენტს ხელსაწყოებით ფრენას ადარებს: ბორტკომპიუტერი თვითმფრინავს მართავს, პილოტი კი მთელ სურათს ხედავს და ფრენაზე აგებს პასუხს. ასევე ინჟინერი აგებს პასუხს იმაზე, რაც რელიზში გადის, მაშინაც კი, თუ კოდის უმეტესი ნაწილი აგენტმა დაწერა. ავტორმა თავად ააწყო ბრაუზერის გაფართოება მისთვის უცნობ სტეკზე: მექანიკური ნაწილი აგენტმა გააკეთა, გასარკვევად და შესასწორებლად კი ავტორი IDE-ში გადავიდა.

JetBrains-მა 22 ოქტომბერს Air Governance-ის საყოველთაო ხელმისაწვდომობა გამოაცხადა. ეს ერთი კონსოლია, სადაც კომპანია ნებადართულ აგენტებს, მოდელებსა და პროვაიდერებს უთითებს, ადამიანებისა და გუნდების მიხედვით ხარჯების ლიმიტებს აწესებს და MCP-სერვერებს კომპანიის დონეზე აწყობს. მიზეზი საკუთარი აქვთ: JetBrains-ის ხარჯები AI-ზე 2026 წლის პირველ ნახევარში დაახლოებით ათჯერ გაიზარდა, ვენდორების მიხედვით პირველ შემაჯამებელ ანგარიშს კი ხელით ოთხი დღე აგროვებდნენ.

JetBrains-მა 19 ოქტომბერს გამოკითხვების დინამიკა აჩვენა. მზადყოფნა, რომ AI-მ აპლიკაციის ლოგიკა დაწეროს, 2025 წლის აპრილ-ივნისის 18%-დან ერთი წლის შემდეგ 50%-მდე გაიზარდა, ტესტებზე 50%-დან 75%-მდე, რეფაქტორინგზე 38%-დან 60%-მდე. კოდის რევიუს მიცემისთვის მზად არის 43%, ერთი წლის წინ 33% იყო. გამართვის მიცემისთვის მზად არ არის 54%, ერთი წლის წინ 76% იყო.

GitLab-მა 19 ოქტომბერს Duo პლატფორმაზე აგენტისთვის სამი ამოცანა შემოგვთავაზა: merge request-ის რევიუს პირველი გავლა, ჩავარდნილი pipeline-ის გარჩევა შესწორების შეთავაზებით და ჩატში პროექტის შესახებ კითხვებზე პასუხები.

Simon Willison-მა 19 ოქტომბერს Jeremy Scheff-ის ტექსტი „My obituary for programming“ გამოყო, იმაზე, რა მიდის. სამუშაო ლოგიკური თავსატეხების ანაზღაურებადი ამოხსნა იყო, და რაც უფრო ეშმაკური იყო ამოცანა, მით უფრო ძვირი ღირდა. Willison ამატებს: ვისთვისაც მომუშავე სისტემების აგებაა მთავარი, მისთვის მოდელები სიხარულია.

Latent Space-მა 21 ოქტომბერს Claude Mods აღწერა: პლაგინები TypeScript-ზე ან JavaScript-ზე, რომლებიც Claude Code-ის ქცევასა და ინტერფეისს ცვლიან. მაგალითი სტატიიდან: ჩაშენებულმა მოდმა You Should Know შენიშნა, რომ ფაილში, რომელსაც აგენტი ასწორებდა, და კიდევ დაახლოებით 45 ფაილში დაუკომიტებელი სამუშაო იდო, და შესთავაზა, ჯერ ის შეენახათ.

მაგალითი: დეტალების გაანგარიშება წარმოებისთვის

ავიღოთ წარმოება, სადაც ნაკეთობის შემადგენლობა Excel-ის სპეციფიკაციებშია აღწერილი, შეკვეთისთვის დეტალებსა და მასალებს კი ხელით ითვლიან. ასეთ ამოცანაში ძვირი წესებია და არა კოდი: როგორ ერთიანდება დეტალები დამუშავების მიხედვით, რა ვქნათ, თუ პოზიცია ნომენკლატურაში არ არის, როდის შეიძლება ორი შეკვეთის კონტრაქტორთან ერთად წაღება. ეს წესები ტექნიკურმა დირექტორმა იცის, და ისინი უნდა ამოვიღოთ და შევათანხმოთ. აგენტი ფუნქციას დაწერს, მაგრამ ტექნიკურ დირექტორთან ვერ მივა.

AI აჩქარებს იმ ნაწილს, სადაც უკვე გასაგებია, რა უნდა გაკეთდეს. ნაწილი, სადაც უნდა გადაწყდეს, რა გაკეთდეს, ადამიანს დარჩა, და სწორედ ამაში იხდის დამკვეთი.

როგორ მაქვს ეს მოწყობილი

პროგრამირება 2017 წელს დავიწყე, როცა ჩემს კომპანიებს ისეთი სისტემები დასჭირდა, რომლებიც მზა სახით არ არსებობდა. ეს გენერაციულ ინსტრუმენტებამდე დიდი ხნით ადრე იყო. ახლა AI-მ ჩემი დეველოპმენტი რამდენჯერმე დააჩქარა: რუტინა, ტესტები, გამართვა. არქიტექტურასა და პრინციპულ გადაწყვეტილებებს თავად ვსაზღვრავ, ინსტრუმენტების შედეგს კი ვამოწმებ.

საწარმოო კომპანიაში ეს ყველაზე კარგად ჩანს. 2024 წლის თებერვლიდან ტექნიკურ დირექტორთან ერთად ტექნიკურ დავალებას ვამზადებდით, დაახლოებით აპრილიდან აქტიური დეველოპმენტი დაიწყო, მომუშავე პროგრამა ივლისში ან აგვისტოში გადავეცი და წლის ბოლომდე ვხვეწდი. ერთ შეკვეთას პროგრამა საშუალოდ 65 წამში ითვლის 4-5 საათის ნაცვლად. დღეს აგენტი უცნობ სტეკთან დაკავშირებული ბარიერის ნაწილს მოხსნიდა, როგორც JetBrains-ის ავტორთან, მაგრამ ტექნიკურ დირექტორთან წესების შეთანხმების თვეებს ვერ გააუქმებდა.

აშშ-ის PDR-კომპანიაში, სადაც 2021 წლიდან ტექნიკური პარტნიორი ვარ, React Native-ზე სუპერაპს კომპანიის დეველოპერებთან ერთად ვაკეთებთ, მფლობელი კი ახლა თავადაც ჩვენთან ერთად ერთვება დეველოპმენტში. JetBrains-ის ციფრებს ზოგადად ვემთხვევი: ტესტებსა და რეფაქტორინგს სიამოვნებით ვაძლევ, გამართვას იქ, სადაც გადამოწმება შემიძლია, ცვლილებების რევიუს კი ჩემთვის ვიტოვებ.

რას გავაკეთებდი

ჰკითხეთ კონტრაქტორს, რას აკეთებს მის სამუშაოში მოდელი და როგორ ამოწმებს ამას. ნორმალური პასუხი კონკრეტულია: ტესტები, მონახაზები, ძიება სხვის კოდში, არქიტექტურა და გამოშვება კი ადამიანზეა.

შეთანხმდით, ვის ეკუთვნის შედეგი და სად დევს. ჩემთან კოდი, ბაზა, სერვერი და წვდომები დამკვეთს ეკუთვნის, და ეს არ არის დამოკიდებული ინსტრუმენტზე, რომელიც კოდის წერაში მეხმარებოდა.

თუ საკუთარი გუნდი გყავთ, ნახეთ, რაში მიდის ფული აგენტებსა და მოდელებზე. JetBrains-ის ოთხი დღე ხელით ანგარიშზე აჩვენებს, რომ საერთო აღრიცხვის გარეშე AI-ზე ხარჯები შეუმჩნევლად იზრდება.

რევიუ ადამიანს დაუტოვეთ, მაშინაც კი, თუ პირველ გავლას აგენტი აკეთებს, როგორც GitLab-თან. გამართვა იქ მიეცით, სადაც არის ტესტი, რომელიც აჩვენებს, რომ უკეთესი გახდა. დავა იმაზე, საჭიროა თუ არა IDE, გამოტოვეთ: საჭიროა ადგილი, სადაც მთელი ცვლილება ჩანს, სანამ სერვერზე მოხვდება.

დაკავშირებული მასალები

წესებზე, სტატუსებსა და უფლებებზე, რომლებითაც ადამიანებიც და AI-ც მუშაობს: სტატია ბიზნეს-ლოგიკა: წესები, სტატუსები და უფლებები. მიმართულებები: AI პროცესში, სადაც შედეგის შემოწმება შეიძლება და ბიზნესი როგორც ერთიანი სისტემა. პროექტები: აშშ-ის PDR-კომპანიის ტექნიკური პარტნიორი 2021 წლიდან და შეკვეთის გაანგარიშება 65 წამში 4-5 საათის ნაცვლად. იმავე თემაზე: რას ვანებებ AI-აგენტს პროდაქშენ სერვერზე და აგენტების სენდბოქსებსა და kononov.dev-ის გამოშვებაზე, ადრე კი ვწერდი, სად ჩერდება AI-ით სწრაფად მომზადებული სამუშაო. თუ კონტრაქტორს ირჩევთ ან AI-ს თქვენი გუნდის სამუშაოში ნერგავთ, მომიყევით, რა გაქვთ ახლა. ამოცანის განხილვა.