Повышение производительности разработчика: секрет укрощения повторяющегося кода
programming learning-to-code code-generation ai-coding human-ai-interaction stack-overflow llm-assisted-programming developer-workflow programming-tools

Повышение производительности разработчика: секрет укрощения повторяющегося кода

5 августа 2025 г.

Аннотация и 1 введение

2. Предыдущие концептуализации интеллектуальной помощи для программистов

3. Краткий обзор больших языковых моделей для генерации кода

4. Коммерческие инструменты программирования, которые используют большие языковые модели

5. Надежность, безопасность и последствия безопасности моделей ИИ, генерирующих код,

6. Изузаение юзабилити и дизайна программирования A-ассистентного

7. Опыт отчетов и 7.1. Писать эффективные подсказки сложно

7.2 Активность программирования сдвигается в сторону проверки и незнакомой отладки

7.3. Эти инструменты полезны для шаблона и повторного использования кода

8. Неадекватность существующих метафор для программирования A-A-Advisted

8.1. Помощь ИИ в качестве поиска

8.2. Помощь ИИ в качестве компиляции

8.3. Помощь ИИ в качестве парного программирования

8.4. Отчетливый способ программирования

9. Проблемы с применением программирования конечного пользователя

9.1. Выпуск 1: Спецификация намерений, разложение проблемы и вычислительное мышление

9.2. Выпуск 2: Правильность кода, качество и (над) уверенность

9.3. Выпуск 3: Понимание и обслуживание кода

9.4. Выпуск 4: Последствия автоматизации в программировании конечных пользователей

9.5. Выпуск 5: Код без кода и дилемма прямого ответа

10. Заключение

A. Источники отчета о испытании

Ссылки

7.3. Эти инструменты полезны для шаблона и повторного использования кода

Несмотря на проблемы, которые мы описали до сих пор в этом разделе, полезность этих инструментов в определенных контекстах неоспорима, и некоторые программисты сообщают о разработке рабочих процессов в определенных контекстах, которые сильно зависят от помощи ИИ. Особенно для простых задач, которые требуют большого кода «шаблона» или общих задач, для которых, вероятно, будут фрагменты кода в Интернете, которые до получения этих помощников по ИИ потребовали бы поиска в Интернете. Хакерские новости комментаторы пишут:

«В эти дни, когда я не имел копирования, является довольно большим успехом для меня. На днях, каким -то образом он перестал предлагать завершения в течение часа, и я был довольно шокирован, чтобы понять, насколько я стал полагаться на то, чтобы просто набрать табуну

«Я использую GTP-3 Codex [sic] при работе. Это экономит мне время, помогает мне исследовать незнакомые языки и API и генерирует подходы к решению проблем. Это может быть шокирующе в кодировании в узких контекстах. Это было бы ошибкой, чтобы пропустить события, происходящие в этой области».

«[...] Для многих быстрых вопросов программирования я обнаружил, что мне даже не нужна поисковая система. Я просто использую Github Copilot.

«[...] Это меняет способ писать код таким образом, как я уже могу сказать, это позволяет мне быть намного ленивее, чем я ранее изучал различные детали языков и библиотек. [...]»

«[...] Github Copilot [...] в значительной степени заменил почти все мое использование переполнения стека. [...]»

«[...] Github Copilot действительно сияет в ротовой работе: когда он может правильно сделать вывод, что вы собираетесь сделать, он может и будет помочь вам правильно. Он не может принимать важные решения, но в крайнем случае он может дать подсказки.

Авторы:

(1) Advait Sarkar, Microsoft Research, Кембриджский университет (advait@microsoft.com);

(2) Эндрю Д. Гордон, Microsoft Research, Эдинбургский университет (adg@microsoft.com);

(3) Карина Негрину, Microsoft Research (cnegreanu@microsoft.com);

(4) Christian Poelitz, Microsoft Research (cpoelitz@microsoft.com);

(5) Sruti Srinivasa Ragavan, Microsoft Research (a-srutis@microsoft.com);

(6) Бен Зорн, Microsoft Research (ben.zorn@microsoft.com).

Эта статья естьДоступно на ArxivПод CC BY-NC-ND 4.0 Лицензия.

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE