Pour optimiser l'efficacité des agents d'IA, devrions-nous renoncer à une partie du contrôle humain sur la structure et la dénomination du code ? L'article « Une base de code par un agent pour un agent » de @rockorager de l'équipe @AmpCode soulève une nouvelle tendance : à mesure que les agents d'IA s'impliquent davantage dans le développement, la structure du code devrait-elle évoluer d'une approche principalement centrée sur l'humain à une approche principalement centrée sur l'agent d'IA ? Conflit fondamental : Intuition humaine contre intuition de l’IA. Lors du développement d’un framework TUI avec Amp, l’auteur s’est initialement appuyé sur son expérience en programmation humaine pour corriger les décisions de l’IA. Par exemple, lorsque l’IA a nommé une fonction de rafraîchissement d’écran `present()`, l’auteur l’a renommée `swapScreens()` selon ses propres habitudes. Cependant, les auteurs ont constaté que cette « correction humaine » avait un effet négatif. Lorsque l'IA tentait ensuite de modifier ou d'appeler à nouveau la fonction, elle recherchait `present()` en fonction de sa probabilité dans ses données d'entraînement et se retrouvait désorientée lorsqu'elle ne la trouvait pas, ce qui entraînait une consommation accrue de jetons et une baisse d'efficacité. Tournant expérimental : donner du pouvoir à l'IA Prenant conscience de cela, l'auteur a changé de stratégie, cessant d'intervenir dans les habitudes de dénomination de l'IA ou dans l'emplacement de stockage des fichiers, et laissant l'IA décider entièrement elle-même du « feng shui » du code. Les résultats furent surprenants : une nette amélioration de l’efficacité. Bien que le code généré par l’IA utilisât des conventions de nommage, des structures de fichiers et même certains modèles orientés objet atypiques que les auteurs n’emploieraient pas habituellement, l’IA a excellé dans l’environnement qu’elle avait créé. Elle pouvait rapidement comprendre des frameworks complexes et non documentés, et ajouter avec précision de nouvelles fonctionnalités ou corriger des bugs. Analyse approfondie : La principale conclusion de l’article sur les bases de code optimisées pour l’IA est que l’efficacité de l’IA ne dépend pas seulement de ses capacités de codage, mais aussi de la conformité de la base de code elle-même à « l’état d’esprit » de l’IA. • Cohérence des probabilités : L’IA fonctionne selon des modèles probabilistes. Lorsque la structure et la dénomination du code source sont conformes aux prédictions des pondérations du modèle d’IA (c’est-à-dire aux régularités statistiques de ses données d’entraînement, comme la conception de l’API Flutter), l’IA n’a pas besoin de « deviner » ni de « réapprendre » la logique du code, ce qui lui permet d’atteindre une efficacité opérationnelle maximale. Un nouvel équilibre : l’auteur soutient que cela a donné naissance à un nouveau type de base de code : « Par un agent, pour un agent ». Cette base de code sacrifie, dans une certaine mesure, la « lisibilité » privilégiée par les humains au profit de la « maintenabilité » et de la vitesse d’exécution optimales de l’IA. Lire le texte original
