گوگل افزونه هوش مصنوعی Elephant-Goldfish را برای بهبود کدنویسی منتشر کرد

منبع: MarkTechPost روش تهیه خبر
گوگل افزونه هوش مصنوعی Elephant-Goldfish را برای بهبود کدنویسی منتشر کرد

گوگل افزونه متن‌باز Elephant-Goldfish را منتشر کرده که با وادار کردن عامل‌های هوش مصنوعی به تدوین و بازنگری دقیق مشخصات فنی پیش از کدنویسی، به کاهش خطاها کمک می‌کند. این سیستم با استفاده از زیرمجموعه‌هایی مستقل به نام «Goldfish» برای نقد طرح‌ها، سعی در بهبود کیفیت و منطق کدهای تولیدشده دارد.

گوگل افزونه «Elephant-Goldfish Model» (EGM) را معرفی کرده است؛ ابزاری متن‌باز که با هدف اصلاح گردش کار عامل‌های هوش مصنوعی در کدنویسی طراحی شده است. این افزونه به یکی از مشکلات رایج در توسعه نرم‌افزار می‌پردازد: تمایل هوش مصنوعی به تولید کد بدون برنامه‌ریزی کافی یا توجه دقیق به الزامات فنی. با اجباری کردن رویکرد «مشخصات‌محور»، EGM تلاش می‌کند تا با وادار کردن هوش مصنوعی به تدوین مستنداتی که سپس توسط زیرمجموعه‌های مستقل نقد می‌شوند، خطاها را پیش از وقوع کاهش دهد.

گردش کار این سیستم به دو نقش اصلی تقسیم می‌شود: «فیل» (Elephant) که زمینه پروژه را حفظ کرده و پیش‌نویس اولیه مشخصات را تهیه می‌کند، و «ماهی قرمز» (Goldfish) که از چندین زیرمجموعه مستقل تشکیل شده و طرح را نقد می‌کند. این تفکیک وظایف تضمین می‌کند که بازنگرها تحت تأثیر فرآیند پیش‌نویس اولیه قرار نگیرند. فرآیند بازنگری در پنج مرحله مجزا سازماندهی شده است؛ از بررسی‌های سطح بالای معماری گرفته تا آمادگی برای پیاده‌سازی، که به سیستم اجازه می‌دهد مسدودکننده‌ها و موارد لبه‌ای (edge cases) را پیش از نوشته شدن حتی یک خط کد شناسایی کند.

این افزونه با پشتیبانی در پلتفرم‌های مختلف از جمله Antigravity CLI، Claude Code و Codex، برای قرارگیری در زیرساخت‌های توسعه فعلی بدون نیاز به مدل‌های زبانی جدید طراحی شده است و به جای آن از سهمیه مدل فعلی کاربر استفاده می‌کند. کاربران از طریق دستوراتی مانند /egm-brainstorm و /egm-review با سیستم تعامل دارند که طوفان فکری ساختاریافته و در پی آن یک فرآیند نقد گروهی را تسهیل می‌کند. هدف این افزونه انتقال فرآیند شناسایی خطا از مرحله «درخواست ادغام» (pull request) به مرحله مشخصات فنی است که تغییرات در آن بسیار کم‌هزینه‌تر است.

اگرچه این افزونه وزن‌های مدل جدیدی ارائه نمی‌دهد، اما کارایی آن در استفاده نظام‌مند از نقدهای «لنزی» نهفته است؛ تمرکز بر معیارهایی مانند بدهی فنی، قابلیت مشاهده و الزامات مهاجرت. گوگل اشاره می‌کند که این سیستم به‌طور گسترده در داخل این شرکت استفاده می‌شود و به مهندسان کمک می‌کند تا از افت کیفیت و آشفتگی زمینه جلوگیری کنند. اگرچه بنچمارک رسمی برای دقت این ابزار منتشر نشده، اما نرخ پذیرش و اجرای تست‌های انتها-به-انتها نشان‌دهنده بهبود چشمگیر در کیفیت تصمیمات معماری اتخاذ شده توسط هوش مصنوعی است.

گزارش اصلی و جزئیات بیشتر در MarkTechPost. مشاهده خبر در منبع اصلی

گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.