تجربه قهرمانان جاوا در افزایش بهره‌وری با گیت‌هاب کوپایلوت

بر اساس گزارش منتشرشده در وبلاگ مهندسی گیت‌هاب (GitHub Engineering Blog)، ابزارهای هوش مصنوعی مولد کد اگرچه سرعت توسعه را به شکل چشمگیری افزایش می‌دهند، اما مهندسان نرم‌افزار همچنان مسئول نهایی تحویل کد، حفظ قابلیت نگهداری و اعتبارسنجی خروجی‌ها در محیط پروداکشن هستند. در این میان، بررسی تجربه عملی قهرمانان جاوا (Java Champions) با سابقه بیش از یک دهه فعالیت نشان می‌دهد که تعادل میان سرعت و کیفیت چگونه با استفاده از GitHub Copilot حفظ می‌شود.

تسریع توسعه Hypersistence Optimizer توسط ولاد میهالچا

ولاد میهالچا (@vladmihalcea)، از شناخته‌شده‌ترین متخصصان حوزه جاوا، از GitHub Copilot برای تحلیل، طراحی و پیاده‌سازی قابلیت‌های جدید در پروژه‌های Hypersistence Utils و Hypersistence Optimizer استفاده می‌کند. او به نمونه‌ای مشخص از توسعه یک وب‌اپلیکیشن برای نمایش تاریخچه رخدادها در Hypersistence Optimizer اشاره کرده است؛ پروژه‌ای که ماه‌ها به دلیل نیاز به صرف چند هفته کار به تعویق افتاده بود، اما با همراهی Copilot در نقش یک عضو جدید تیم، ظرف تنها ۲ روز پیاده‌سازی و آماده عرضه شد.

میهالچا از گیت‌هاب کوپایلوت درون محیط توسعه IntelliJ IDEA و در حین فرآیندهای بازبینی کد و اشکال‌زدایی (Debug) استفاده می‌کند. او تأکید دارد که هدف هوش مصنوعی افزایش بهره‌وری است نه جایگزینی مهندس؛ بنابراین تمامی برنامه‌ها و کدهای خروجی مدل همچنان تحت بازبینی دستی قرار می‌گیرند.

شخصی‌سازی خروجی با مهارت‌های اختصاصی و مدل‌های استدلال

میهالچا مهارتی سفارشی (Custom Skill) ایجاد کرده که لحن خروجی Copilot را بر اساس ۶۵ مقاله فنی منتشرشده از او در طول ۱۲ سال وبلاگ‌نویسی تنظیم می‌کند. این کار تضمین می‌کند که مستندات و کدهای تولیدی با اصول کلیدی او یعنی سادگی، تست‌پذیری، رسایی و اصل کمترین غافلگیری (Principle of Least Astonishment) هم‌راستا باشند.

از منظر مصرف منابع و مدل‌ها، میهالچا مدل هوش مصنوعی را متناسب با پیچیدگی کار تغییر می‌دهد: استفاده از مدل‌های قدرتمندی نظیر Opus با پنجره کانتکست ۱ میلیون توکن و سطح استدلال بالا (Extra High یا Max reasoning) برای تحلیل‌های پیچیده معماری، و به‌کارگیری مدل‌های سبک‌تر با مصرف توکن کمتر برای ایجاد گزارش‌ها، یادداشت‌های انتشار (Release Notes) و بررسی مستندات.

پاتریک باومگارتنر: تفویض اجرا بدون واگذاری مسئولیت

پاتریک باومگارتنر (@patbaumgartner)، مربی و مشاور فنی تیم‌ها، کاربرد Copilot را در چارچوب شیوه‌های Software Craft، TDD، بازآفرینی کد (Refactoring)، متدولوژی XP و توسعه مبتنی بر Spring Boot، Spring Modulith و بهینه‌سازی کانتینرها بررسی می‌کند. به باور او، توسعه‌دهنده باید تنها فرآیند اجرا را به هوش مصنوعی تفویض کند و مسئولیت نهایی نتیجه را خود بر عهده بگیرد.

یکی از تجربیات او مهاجرت حدود ۹۰۰ اسلاید آموزشی شامل ۱۵ ارائه فنی از فریم‌ورک Reveal.js به Marp بود. این اسلایدها حاوی کدها، انیمیشن‌ها و اسکریپت‌های تعاملی جاوااسکریپت بودند که جابه‌جایی دستی آن‌ها بیش از یک هفته زمان می‌برد. باومگارتنر با تدوین محدودیت‌ها، ارائه مثال‌ها و استفاده گام‌به‌گام از Copilot، توانست کل پروژه را طی ۸ تا ۱۰ ساعت نهایی کند.

اعتبارسنجی در این پروژه از طریق تولید اسکرین‌شات از هر دو نسخه، مقایسه تصویری و الگوریتمی، ساخت یک اپلیکیشن اختصاصی برای مقایسه اجرای موازی انیمیشن‌ها و مقایسه فایل‌های PDF خروجی انجام شد تا صحت عملکرد پیش از تایید نهایی اثبات شود.

کشف رفتارهای پیش‌بینی‌نشده در محیط‌های مختلف

تجربه دیگر باومگارتنر مربوط به ساخت اپلیکیشن ترمینال (Terminal UI) با کتابخانه Tamboui است. این برنامه ابتدا روی لینوکس تحت WSL تست شده بود و بدون مشکل کار می‌کرد، اما در محیط واقعی روی Windows CMD و PowerShell کلید Enter در برخی فرم‌ها کار نمی‌کرد. با اتکا به اصل عرضه سریع نرم‌افزار، باومگارتنر توانست این بازخورد کاربران محیط ویندوز را با کمک Copilot تحلیل کرده و به تست‌های قابل بازتولید تبدیل کند.