Pilih tugas AI pertama yang berguna

Pilih tugas yang dapat diverifikasi

Tugas pertama yang berguna sebaiknya mengajarkan cara alat bekerja dalam lingkungan Anda. Tugas itu juga harus menghasilkan sesuatu yang dapat diperiksa. Perbaikan kecil pada cacat yang sudah diketahui sering memenuhi kedua syarat tersebut.

Jangan memilih tugas hanya karena demonstrasinya akan terlihat mengesankan. Desain ulang yang luas dapat menghasilkan banyak perubahan yang terlihat sambil menyembunyikan asumsi keliru. Tugas kecil dapat menunjukkan apakah agen membaca instruksi, mematuhi cakupan, dan melaporkan pemeriksaan yang gagal secara akurat.

Tidak perlu memilih tugas yang paling mudah. Pilih tugas yang hasil benarnya dapat dikenali tim dan dijelaskan alasannya.

Bandingkan kandidat tugas

Pertimbangkan tiga permintaan fiktif dalam aplikasi pelaporan.

Tugas penjelasan membantu memeriksa penalaran dan bukti. Pengujian regresi menambahkan tindakan yang terkendali. Tugas arsitektur mungkin berguna nanti, tetapi memerlukan ringkasan tugas dan proses peninjauan yang jauh lebih kuat.

Untuk latihan pertama, pilih pengujian regresi. Gunakan tanggal rekaan dan branch lokal. Nyatakan bahwa akses produksi, upgrade dependensi, dan refactoring yang tidak terkait berada di luar cakupan.

Tulis syarat penyelesaian

“Perbaiki penanganan tanggal” menyisakan terlalu banyak penafsiran. Gunakan syarat spesifik: “Jika input berisi tanggal kalender yang tidak valid, kembalikan error validasi. Pertahankan output yang terdokumentasi untuk tanggal valid.”

Tambahkan contoh input valid dan tidak valid. Identifikasi perintah pengujian yang sudah ada. Minta agen memeriksa perilaku saat ini sebelum mengubah file. Wajibkan penjelasan singkat tentang cacat dan bukti setelah perubahan.

Bedakan hasil tugas dari aktivitas. “Agen menulis pengujian” menjelaskan aktivitas. “Pengujian menolak cacat yang diketahui” menjelaskan bukti. Pengujian yang lulus pada kode benar maupun keliru tidak membuktikan perlindungan yang dimaksud.

Amati proses kerja

Selama latihan, catat bagian yang memerlukan konteks tambahan bagi agen. Periksa apakah agen membaca instruksi repositori yang relevan. Perhatikan apakah agen mengubah file di luar cakupan atau mengulang pendekatan yang gagal tanpa bukti baru.

Jangan langsung mengoreksi setiap pilihan kecil. Biarkan agen menyelesaikan pekerjaan yang diizinkan dan dapat dibatalkan agar hasilnya dapat dinilai. Lakukan intervensi ketika tindakan berikutnya melampaui batas atau pekerjaan lanjutan bergantung pada persyaratan yang belum diputuskan.

Setelah selesai, tinjau diff dan jalankan pemeriksaan yang relevan. Catat waktu agen serta waktu persiapan dan peninjauan Anda. Pengamatan ini membantu memilih tugas berikutnya dan memperbaiki instruksi kerja.

Perluas satu batas setiap kali

Jika latihan berhasil, tingkatkan satu dimensi kompleksitas. Misalnya, beralih dari satu fungsi ke sepasang modul terkait. Anda dapat menambahkan integrasi yang terdokumentasi. Nyatakan izin dan persyaratan verifikasi secara eksplisit.

Jika latihan gagal, identifikasi penyebab sebelum memperluas cakupan. Konteks yang kurang, persyaratan yang tidak jelas, lingkungan pengujian yang tidak tersedia, dan keterbatasan model memerlukan perbaikan berbeda. Otonomi lebih besar tidak menyelesaikan keempat masalah tersebut.

Jika prototipe tetap digunakan, tetapkan penanggung jawab pemeliharaan. Informasi kerentanan baru dapat memerlukan tindakan meskipun kode tidak berubah. Lihat pengelolaan kerentanan berkelanjutan.