Привет, Хабр! Я Сергей Кулабухов, старший разработчик на ИТ-проектах Fix Price. Сегодня поговорим о том, как мы используем ИИ в разработке. Начну с краткого ответа на интересующий многих вопрос, который вынесен в заголовок. ИИ отлично справляется с написанием кода, но лишь определенного кода, а именно: отдельных его фрагментов. Например, GPT может безошибочно написать код какой-либо функции, класса — словом, конкретного фрагмента. Причем в данном случае ИИ напишет оптимальный рабочий код, кратко и по делу. И не только напишет, но и подробно откомментирует по запросу.

Таким образом, главное, что должен сделать разработчик — суметь грамотно декомпозировать задачу, то есть разбить ее на логические части, каждая из которых будет отвечать за конкретную функцию. После этого остается лишь составить правильные запросы для ИИ, а затем собрать готовый код из выданных ИИ фрагментов, проверяя их на работоспособность. Это значительно ускоряет процесс разработки, тем более, что можно грузить ИИ задачами параллельно: пока ты проверяешь один сгенеренный кусок, GPT пишет другой.

Если же разработчик хочет полностью переложить написание кода на «плечи» ИИ, то здесь его ожидают сюрпризы. Дело в том, что по длинным промтам ИИ пишет код не оптимально: проблема в данном случае обычно возникает со связыванием блоков кода, в результате чего программа скорее всего будет функционировать не совсем так, как задумывалось. Либо же придется готовить детальное описание, что займет много времени. Поэтому-то лучше предварительно разделить задуманный функционал на логические блоки и «скармливать» боту ТЗ по частям.

Плюсы для разработчика

Преимущество написания фрагментов кода с помощью ИИ заключается не только в увеличении скорости разработки. ИИ также помогает:

• В случаях, когда разработчик не слишком хорошо разбирается в определенном ЯП. Ведь нередко бывает так, что в проекте есть встроенный код на разных языках, и в этом случае можно попросить ИИ дописать/переписать эти куски, с чем он легко справляется уже практически на любом ЯП.

• При поиске определенной функциональности в больших фрагментах кода и группах файлов. Так, при подключении LLM локально, мы можем указать конкретный вывод, который нужно будет найти ИИ в файлах. Он просканирует все файлы и укажет, в каких из них содержится нужный нам вывод. Получается тоже кратная экономия времени, и чем больше проект, тем больше сокращается время на поиск. Существуют и IDE, поддерживающие индексацию кодовой базы с рефакторингом отдельных функций. Из тех, что используем мы, могу отметить IDE Cursor — бесценный инструмент, который может обрабатывать отдельные куски кода приложения (функции, классы).

• ИИ отлично справляется и с задачами автодополнения кода. Например, мы начинаем писать какой-то метод (допустим get users). ИИ понимает, что есть сущность user, и что мы хотим получить список пользователей, и генерирует многострочную подсказку, которую можно вставить в код как есть, либо с минимальными правками. Причем GPT понимает даже стиль написания и предлагает соответствующим образом оформленный код. Разумеется, такой способ написания кода значительно быстрее, чем если бы всё делалось вручную. Поможет ИИ и в создании документации к коду: дополняя код, GPT подробно опишет используемые методы.

• Интерфейсы для MVP — вот еще одна задача, с которой ИИ справляется великолепно. Согласитесь, тратить много времени на разработку графических интерфейсов для минимально жизнеспособных продуктов неразумно. ИИ же сводит это время к минимуму, и мы уже активно используем его для этих задач. Бэкендщики в восторге.

• Также ИИ оказывает неоценимую помощь в суммаризации. Это сильно экономит нам время при классификации обращений в службу технической поддержки. Только представьте — многочисленные диалоги с массой «шума» (приветствия-прощания, реплики, не относящиеся к проблеме и т.д.), на отсеивание которого вручную уходили долгие часы. Теперь обработка десятков чатов занимает считанные минуты.

• Наконец, ИИ закрыл нам проблему переписывания кода на другом ЯП. У нас есть проекты на PHP, для которых нужно было переписывать API клиент на JavaScript, Python и т.д. для взаимодействия с другими сервисами. Делать это вручную долго, куда удобнее «скормить» ИИ .json или .yaml со спецификацией и попросить его написать API клиент на другом ЯП — справляется отлично.

По сути, вся задача разработчика — проверить и свести, а результат почти во всех случаях — качественный код. Но давайте я покажу на конкретных примерах, как это работает.

Примеры решения наших задач

• Помощь в обработке и подготовке данных. Например, мы скачали датасет для обучения модели компьютерного зрения, но формат и расположение файлов нам не совсем подходит:

  Промпт без предварительных подготовок и формата

  Создай скрипт для обработки файлов датасета. В папке annotations находятся txt файлы с форматом строк MOT: <frame_id>,<obj_id>,<bbox_left>,<bbox_top>,<bbox_width>,<bbox_height>,<score>,<object_category>,<truncation>,<occlusion> а в папке sequences находятся вложенные папки с наименованием как у файла аннотации, в которых файлы изображений с порядковым номером кадра. Преобразуй в формат для YOLO модели. Определи размеры изображения и нормализуй координаты.

  Ответ ChatGPT

  import os import cv2 def convert_annotations(annotation_dir, sequences_dir, output_dir):     # Проверяем и создаем выходную директорию     os.makedirs(output_dir, exist_ok=True)     # Проходим по всем файлам аннотаций в папке     for annotation_file in os.listdir(annotation_dir):         annotation_path = os.path.join(annotation_dir, annotation_file)         sequence_name = os.path.splitext(annotation_file)[0]         sequence_path = os.path.join(sequences_dir, sequence_name)         # Проверяем существование папки с изображениями         if not os.path.isdir(sequence_path):             print(f"Sequence folder for {annotation_file} not found, skipping.")             continue         # Загружаем аннотацию и преобразуем         with open(annotation_path, 'r') as f:             lines = f.readlines()         # Проходим по строкам аннотаций         for line in lines:             frame_id, obj_id, bbox_left, bbox_top, bbox_width, bbox_height, score, object_category, truncation, occlusion = map(float, line.split(','))             frame_id = int(frame_id)             # Формируем путь к изображению             image_path = os.path.join(sequence_path, f"{frame_id:06d}.jpg")             if not os.path.exists(image_path):                 print(f"Image {image_path} not found, skipping annotation.")                 continue             # Загружаем изображение, чтобы получить размеры для нормализации             img = cv2.imread(image_path)             img_height, img_width = img.shape[:2]             # Преобразуем координаты в формат YOLO             x_center = (bbox_left + bbox_width / 2) / img_width             y_center = (bbox_top + bbox_height / 2) / img_height             width = bbox_width / img_width             height = bbox_height / img_height             category_id = int(object_category) - 1  # YOLO категории начинаются с 0             # Запись аннотаций в формате YOLO             output_annotation_dir = os.path.join(output_dir, sequence_name)             os.makedirs(output_annotation_dir, exist_ok=True)             output_annotation_path = os.path.join(output_annotation_dir, f"{frame_id:06d}.txt")             with open(output_annotation_path, 'a') as output_file:                 output_file.write(f"{category_id} {x_center} {y_center} {width} {height}\n")         print(f"Processed annotations for {annotation_file}") # Укажите пути к папкам с аннотациями, изображениями и выходной папке annotation_dir = 'annotations' sequences_dir = 'sequences' output_dir = 'yolo_annotations' # Запуск конвертации convert_annotations(annotation_dir, sequences_dir, output_dir)

Итог: в момент постановки задачи самому себе просто изложили мысль в виде промта, а в ответ за пару секунд получили рабочий код. ИИ не только выполнил то, о чём было написано, но и самостоятельно понял, что в формат разметки MOT - это Multi Object Tracking и добавил форматирование имен изображений кадров ({frame_id:06d}.jpg , а мы не говорили что номер нужно дополнять нулями слева), или, например, самостоятельно указал, что для YOLO нужно номер категории объекта уменьшать на 1 и добавил соответствующий комментарий. Я специально не менял скрипт, чтоб у читателей была возможность увидеть сырой результат, увидеть, где можно чуть подправить и какой объем работы был выполнен за пару секунд, что даже у опытного разработчика заняло бы сильно больше времени даже просто напечатать это всё.

• Нелюбимое всеми разработчиками cron расписание

Итог: не тратим время на все эти расчеты по формату crontab, пусть за нас ломает голову ИИ. Лично я редко делал эти расписания и постоянно приходилось вспоминать это всё и тратить время. Таким же образом создаются SQL запросы, сложность которых более не имеет значения, достаточно суметь изложить желаемое текстом на «человеческом» языке.

• Мультистрочные подсказки и автодополнения. Уже с первого слова ИИ понимает, в каком мы файле и как написаны аналогичные маршруты в проекте:
  

  

И далее просто нажимаем клавишу Tab пока предлагаются варианты — если мы с ними согласны, конечно.

Также в некоторых IDE после дополнения ИИ анализирует контекст и предлагает дополнить недостающие импорты, которые использованы в подсказке:

А теперь зададим нестандартный метод одним названием:

Всё верно, но у нас нет метода в crud. И это не беда, переходим в файл и сразу видим предложение:

Итог: таким образом в контексте проекта ИИ предлагает дополнить большую часть необходимого кода с учетом всех моделей, схем, сервисов, которые уже описаны. Огромная экономия времени, особенно когда проект на стадии MVP и нужен максимально быстрый запуск.

Если совсем автоматизировать, то открываем файл и делаем примерно так:

И получаем полный код всего файла:

Получите 100+ строк кода за 5 секунд:

Если нас всё устраивает, кликаем Accept и все. А можем изменить или дополнить существующий код:

Покажет, что удалил и что добавил, а если недостаточно опыта можно и спросить:

Итог: опытные разработчики переходят в разряд «принцип-архитекторов» — декомпозируют задачи, проводят ревью и компоновку сгенерированного кода, ускоряя процесс разработки. А неопытные экономят еще больше времени в задачах с проблемой «белого листа», когда понятия не имеют, с чего начать, или смотрят, как можно оптимально написать код. Или как вообще его написать. Теперь можно не тратить часы на вычитку легаси кода, чтоб изменить один параметр, а просто спросить  и добавить строчку где нужно, не отвлекая старших товарищей.

Таким же образом рефакторим, тестируем, оптимизируем код, меняем язык программирования и всё остальное. Приведены, естественно, простейшие примеры, чтоб не занимать много места.

Что с конфиденциальностью?

И в завершение еще один важный момент, который я бы хотел подсветить в этом материале. Корпоративная версия ChatGPT Enterprise гарантирует, что сгенерированный код не будет затем использован ИИ в других ответах (сторонним пользователям). Однако в целях обеспечения конфиденциальности мы всё же рекомендуем подстраховаться и изменять чувствительные данные (например, паспортные или банковской карты). Не стоит вводить и любые другие данные, которые могут нанести ущерб бизнесу, но это, конечно, касается прежде всего предприятий, работающих в стратегических сферах.

При работе с контекстом проекта важно выносить любые секретные данные в переменные окружения и настраивать игнорируемые системой файлы. Если позволяют корпоративные мощности, можно рассмотреть использование локальных моделей, таких как Code Llama или StarCoder, особенно если провести тюнинг на ваших проектах и стиле кодирования.

А при соблюдении элементарных правил безопасности Open AI (если допустить, что компания решит нарушить пользовательское соглашение) придется выделить целую команду для анализа получаемых от корпоративного пользователя данных. Риск, даже с учетом масштабов бизнеса, в нашем случае практически нулевой, так как экономическая выгода от этого для Open AI весьма сомнительная.