Преобразование кодовой базы с помощью LLM

Код с 0 щас никто не пишет, все берут готовые фреймворки, такие как Laravel под PHP / Django под Python и пр. и как из кубиков собирают готовое решение. То же самое может делать и нейросеть.

Компания Mantle использовала Gemini 1.0 Pro LLM с окном в один миллион токенов для преобразования проекта прототипа в готовую к использованию кодовую базу, сократив рабочую нагрузку за счет обработки шаблонного кода и повторяющихся шаблонов. Этот подход, в котором использовался обширный контекст и итеративная генерация кода, сэкономил месяцы времени разработчиков, позволив команде сосредоточиться на доработке важнейших 20% проекта.

Такие инициативы всегда кажутся сложной задачей, но есть несколько веских причин, по которым организации решаются на это:

1️⃣ Улучшенная поддержка: устаревшие кодовые базы (легаси) могут стать громоздкими и сложными в поддержке, особенно если первоначальные сопровождающие больше не вносят свой вклад. Переход на язык с большим пулом знаний может сделать код более простым для понимания и изменения разработчиками.
2️⃣ Повышение производительности: разные языки преуспевают в разных областях. Если команда обнаруживает, что ее приложение не может соответствовать показателям производительности, переход на язык, известный своей скоростью или эффективностью, может обеспечить значительный прирост.
3️⃣ Talent Pool: Поиск разработчиков с опытом работы на определенном языке может быть сложной задачей. Если текущий язык имеет ограниченный кадровый резерв, переход на более распространенный язык может облегчить набор и удержание квалифицированных разработчиков.
4️⃣ Продуктивные прототипы: концепции, которые могут быть написаны на языках/фреймворках, позволяющих быстро и легко создать прототип решения, но не подходящих для производственных вариантов использования.

Наилучшим способом к генерации кода является переход от бэкенда к фронтенду и начало с конечных узлов (обход дерева снизу вверх) файлов (утилиты, библиотеки, уровень базы данных и т. д.), а затем более общие и связанные (интерфейс API или маршрутизация). Это дает LLM способ триангуляции того, какие файлы связаны друг с другом, и решения, когда их следует импортировать и использовать.