AI ในวงจรชีวิตการพัฒนาซอฟต์แวร์ (SDLC)

เสร็จสมบูรณ์เมื่อ

ความสามารถของ GitHub Copilot ขยายเกินการโค้ดของแต่ละงาน ซึ่งมีอิทธิพลต่อขั้นตอนต่าง ๆ ของวงจรชีวิตการพัฒนาซอฟต์แวร์ หน่วยนี้จะสํารวจว่า GitHub Copilot เพิ่มประสิทธิภาพระยะ SDLC ที่แตกต่างกันอย่างไร ตั้งแต่การวางแผนเริ่มต้นไปจนถึงการปรับใช้และการบํารุงรักษา

การเพิ่มประสิทธิภาพ SDLC ด้วย GitHub Copilot

ลองตรวจสอบว่า GitHub Copilot สามารถส่งผลกระทบเชิงบวกต่อแต่ละขั้นตอนของ SDLC ได้อย่างไร:

การวิเคราะห์ข้อกําหนด

แม้ว่า GitHub Copilot ไม่ได้รวบรวมข้อกําหนดโดยตรง แต่ก็สามารถช่วยในการแปลข้อกําหนดเป็นโครงสร้างโค้ดเริ่มต้น:

• การสร้างต้นแบบอย่างรวดเร็ว: สร้างส่วนย่อยของโค้ดได้อย่างรวดเร็วตามคําอธิบายระดับสูง ช่วยให้สามารถพิสูจน์การพัฒนาแนวคิดได้เร็วขึ้น
• การใช้งานเรื่องราวของผู้ใช้: แปลงเรื่องราวของผู้ใช้เป็นฟังก์ชันเริ่มต้นหรือข้อกําหนดของคลาส โดยให้จุดเริ่มต้นสําหรับการพัฒนา
• การออกแบบ API: แนะนําโครงสร้าง API ตามฟังก์ชันการทํางานที่อธิบายไว้ ซึ่งช่วยสร้างสถาปัตยกรรมระบบ

การออกแบบ & การพัฒนา

นี่คือที่ GitHub Copilot เปล่งประกายอย่างแท้จริงเสนอการเพิ่มประสิทธิภาพการผลิตที่สําคัญ:

• การสร้างโค้ด Boilerplate: สร้างโครงสร้างโค้ดซ้ํา ๆ โดยอัตโนมัติประหยัดเวลาในการตั้งค่า
• การใช้งานรูปแบบการออกแบบ: แนะนํารูปแบบการออกแบบที่เหมาะสมตามบริบทของปัญหา การส่งเสริมแนวทางปฏิบัติที่ดีที่สุด
• การปรับโค้ดให้เหมาะสม: เสนอตัวเลือกโค้ดที่มีประสิทธิภาพมากขึ้น ซึ่งช่วยให้นักพัฒนาเขียนโค้ดที่มีประสิทธิภาพตั้งแต่เริ่มต้น
• การแปลข้ามภาษา: ช่วยในการแปลแนวคิดหรือส่วนย่อยของโค้ดระหว่างภาษาการเขียนโปรแกรมที่แตกต่างกัน

การทดสอบ & การรับประกันคุณภาพ

GitHub Copilot สามารถปรับปรุงกระบวนการทดสอบให้มีประสิทธิภาพขึ้นได้อย่างมาก:

• การสร้างการทดสอบหน่วย: สร้างกรณีการทดสอบตามลายเซ็นของฟังก์ชันและลักษณะการทํางาน เพื่อให้มั่นใจถึงความครอบคลุมในการทดสอบที่ครอบคลุม
• ทดสอบการสร้างข้อมูล: สร้างชุดข้อมูลทดสอบจริง ประหยัดเวลาในการสร้างข้อมูลด้วยตนเอง
• การระบุเคสขอบ: แนะนําสถานการณ์การทดสอบที่ครอบคลุมกรณีขอบ ซึ่งช่วยปรับปรุงความทนทานของการทดสอบ
• คําแนะนําการยืนยัน: เสนอการยืนยันที่เหมาะสมโดยยึดตามลักษณะการทํางานที่คาดไว้ของโค้ดที่กําลังทดสอบ

เวิร์กโฟลว์การทดสอบอัตโนมัติ

GitHub Copilot สามารถประสานกลยุทธ์การทดสอบที่ครอบคลุมซึ่งนอกเหนือไปจากการสร้างการทดสอบแต่ละรายการ:

• สถาปัตยกรรมชุดทดสอบ: ออกแบบเฟรมเวิร์กการทดสอบที่สมบูรณ์ซึ่งรวมถึงการทดสอบหน่วย การทดสอบการรวม และสถานการณ์การทดสอบแบบ end-to-end สําหรับคุณสมบัติที่ซับซ้อน
• ทดสอบไปป์ไลน์อัตโนมัติ: สร้างไฟล์การกําหนดค่าการทดสอบและการรวม CI/CD ที่เรียกใช้ชุดทดสอบที่เหมาะสมโดยอัตโนมัติตามการเปลี่ยนแปลงโค้ด
• ประตูคุณภาพ: สร้างการตรวจสอบคุณภาพอัตโนมัติที่ทําให้แน่ใจว่าโค้ดตรงตามมาตรฐานก่อนที่จะดําเนินการผ่านไปป์ไลน์การพัฒนา
• การทดสอบประสิทธิภาพ: สร้างเกณฑ์มาตรฐานประสิทธิภาพและสถานการณ์การทดสอบโหลดเพื่อตรวจสอบพฤติกรรมของระบบภายใต้เงื่อนไขต่างๆ

วิธีการอัตโนมัตินี้ช่วยให้มั่นใจได้ว่าการประกันคุณภาพจะกลายเป็นส่วนหนึ่งของกระบวนการพัฒนาแทนที่จะเป็นขั้นตอนแยกต่างหาก

การปรับใช้งาน

แม้ว่าจะไม่เกี่ยวข้องโดยตรงในกระบวนการปรับใช้ GitHub Copilot สามารถช่วยในการทํางานที่เกี่ยวข้อง:

• การสร้างไฟล์การกําหนดค่า : ช่วยในการสร้างไฟล์การกําหนดค่าการปรับใช้สําหรับสภาพแวดล้อมต่าง ๆ
• ความช่วยเหลือสคริปต์การปรับใช้: แนะนําคําสั่งหรือสคริปต์สําหรับงานการปรับใช้ทั่วไป
• อัปเดตเอกสาร: ช่วยในการอัปเดตเอกสารการปรับใช้เพื่อแสดงการเปลี่ยนแปลงล่าสุด

การสนับสนุนด้าน & การบํารุงรักษา

GitHub Copilot พิสูจน์ว่ามีประโยชน์ในงานบํารุงรักษาอย่างต่อเนื่อง:

• คําแนะนําการแก้ไขข้อบกพร่อง: เสนอการแก้ไขที่อาจเกิดขึ้นสําหรับปัญหาที่รายงานตามข้อความแสดงข้อผิดพลาดและรหัสโดยรอบ
• การปรับโครงสร้างโค้ดใหม่: แนะนําการปรับปรุงโค้ดที่มีอยู่ ซึ่งช่วยให้ codebase ทันสมัยและมีประสิทธิภาพ
• อัปเดตเอกสาร: ช่วยในการเก็บข้อคิดเห็นโค้ดและเอกสารเกี่ยวกับการซิงค์กับการเปลี่ยนแปลง
• ความเข้าใจรหัสดั้งเดิม: ช่วยให้นักพัฒนาเข้าใจและทํางานกับโค้ดที่ไม่คุ้นเคยหรือดั้งเดิมโดยให้คําอธิบายและสิ่งที่เทียบเท่าที่ทันสมัย

การสร้างด้วยเวิร์กโฟลว์ AI ที่ประสานกัน

การพัฒนาซอฟต์แวร์สมัยใหม่ได้รับประโยชน์มากขึ้นจากความช่วยเหลือด้าน AI ที่ประสานงานกัน ซึ่งความสามารถของ AI หลายอย่างทํางานร่วมกันเพื่อจัดการงานการพัฒนาที่ซับซ้อน แนวทางที่ประสานกันนี้ผสมผสานจุดแข็งของตัวแทน AI ต่างๆ เพื่อส่งมอบโซลูชันที่ครอบคลุม

รูปแบบการประสานงานของตัวแทนอย่างง่าย

พิจารณาเวิร์กโฟลว์พื้นฐานของเอเจนต์สองตัวแทนสําหรับการพัฒนาคุณลักษณะ:

1. ตัวแทนร่าง (GitHub Copilot): วิเคราะห์ข้อกําหนดของคุณลักษณะและสร้างการใช้งานเบื้องต้น ได้แก่ :

   • ฟังก์ชันหลักพร้อมการจัดการข้อผิดพลาดที่เหมาะสม
   • การทดสอบหน่วยพื้นฐานที่ครอบคลุมสถานการณ์หลัก
   • เอกสารแบบอินไลน์ที่อธิบายการใช้งาน
   • จุดรวมกับโค้ดที่มีอยู่

2. ตัวแทนตรวจสอบ: วิเคราะห์รหัสฉบับร่างและให้:

   • การประเมินคุณภาพรหัสตามมาตรฐานโครงการ
   • การระบุช่องโหว่ด้านความปลอดภัย
   • คําแนะนําการเพิ่มประสิทธิภาพ
   • การตรวจสอบการปฏิบัติตามข้อกําหนดของรูปแบบสถาปัตยกรรม

แนวทางที่ประสานกันนี้ช่วยให้มั่นใจได้ว่าโค้ดเป็นไปตามมาตรฐานคุณภาพก่อนการตรวจสอบโดยมนุษย์ ซึ่งจะช่วยลดจํานวนการทําซ้ําการตรวจสอบที่จําเป็นได้อย่างมาก

Note

การส่งต่อแต่ละครั้งจะใช้ ~1 PRU โฟลว์การตรวจทานแบบร่างของตัวแทน 2 ตัวแทนโดยทั่วไปจะใช้ PRU 2-3 คน

ความสามารถในการประสานงานขั้นสูง

สําหรับสถานการณ์การพัฒนาที่ซับซ้อน เวิร์กโฟลว์แบบหลายตัวแทนสามารถจัดการกับความต้องการที่ซับซ้อนได้:

การรวมเหตุผลระดับพรีเมียม

การให้เหตุผล AI ขั้นสูงให้การวิเคราะห์ที่ลึกซึ้งยิ่งขึ้นสําหรับความท้าทายในการพัฒนาที่ซับซ้อน:

• การสนับสนุนการตัดสินใจทางสถาปัตยกรรม: วิเคราะห์การแลกเปลี่ยนระหว่างแนวทางการใช้งานต่างๆ โดยพิจารณาจากความสามารถในการปรับขนาด การบํารุงรักษา และประสิทธิภาพ
• การวิเคราะห์ผลกระทบข้ามระบบ: ทําความเข้าใจว่าการเปลี่ยนแปลงในส่วนประกอบหนึ่งส่งผลต่อส่วนอื่นๆ ของระบบแบบกระจายอย่างไร
• การประสานงานการปรับโครงสร้างที่ซับซ้อน: ประสานการเปลี่ยนแปลงในไฟล์และโมดูลต่างๆ ในขณะที่รักษาฟังก์ชันการทํางานและประสิทธิภาพของระบบไว้
• การเพิ่มประสิทธิภาพรูปแบบการผสานรวม: แนะนํารูปแบบที่เหมาะสมที่สุดสําหรับการเชื่อมต่อคุณลักษณะใหม่กับสถาปัตยกรรมระบบที่มีอยู่

Note

การเรียกใช้แบบพรีเมียมจะเพิ่มบริบทและเหตุผลมากขึ้น แต่มักจะใช้การใช้ PRU เป็นสองเท่า (~4+ ต่อคําขอ)

เวิร์กโฟลว์การส่งมอบคุณสมบัติที่ครอบคลุม

AI ที่ประสานกันสามารถจัดการการส่งมอบคุณสมบัติที่สมบูรณ์ตั้งแต่ข้อกําหนดไปจนถึงการปรับใช้:

1. ขั้นตอนการวิเคราะห์: แยกวิเคราะห์เรื่องราวของผู้ใช้และข้อกําหนดทางเทคนิคเพื่อสร้างแผนการใช้งาน
2. ขั้นตอนการดําเนินการ: สร้างรหัสคุณลักษณะที่สมบูรณ์รวมถึงส่วนประกอบที่จําเป็นทั้งหมด
3. ขั้นตอนการประกันคุณภาพ: สร้างชุดทดสอบที่ครอบคลุมและการตรวจสอบคุณภาพ
4. ขั้นตอนการจัดทําเอกสาร: สร้างเอกสารผู้ใช้ เอกสาร API และคู่มือการบํารุงรักษา
5. ขั้นตอนการปรับใช้: สร้างสคริปต์การปรับใช้และการกําหนดค่าการตรวจสอบ

ระบบอัตโนมัติแบบ end-to-end นี้ช่วยให้ทีมสามารถส่งมอบคุณสมบัติได้เร็วขึ้นในขณะที่ยังคงรักษามาตรฐานคุณภาพสูงในทุกด้านของการพัฒนา