A mesterséges intelligenciára épülő ügynökök egyre több programkódot írnak, ami megváltoztatja a fejlesztők mindennapi munkáját és a szakmai tudásuk szerepét. Louise Cox szerint azonban ez a tudás nem válik feleslegessé: inkább abban jelenik meg, hogyan szervezik meg az ügynökök munkáját, milyen korlátokat állítanak fel, és milyen bizonyítékot várnak el az eredmények elfogadása előtt.
Gergely Orosz nemrég arról írt, hogy a modern szoftverfejlesztés már nem zajlik nagy nyelvi modellek nélkül, és ez a jövőben sem változik. A fejlesztők közül egyesek hiányolják a kézi kódírást, mások azt kérdezik, mennyit kell elolvasni az ügynökök által előállított kódból. Kent Beck megfogalmazása szerint a kód írása és olvasása a szakmai kompetencia érzését is adta a fejlesztőknek.
Cox felidézi, hogy tíz évvel ezelőtt a konferenciák élő kódbemutatóiban éppen a kézzelfogható alkotás és a hibák helyben történő javítása volt számára lenyűgöző. Szerinte érthető, ha a fejlesztők veszteségként élik meg, hogy a mesterségük e közvetlen részét ma egyre gyakrabban ügynökök végzik.
A tudás magasabb absztrakciós szintre kerül
Tim O’Reilly egy írásában amellett érvelt, hogy az O’Reilly üzleti tevékenysége az emberi szakértelem fejlesztésére és megosztására épül, ezért meg kell találni azokat a területeket, ahol ez a tudás továbbra is számít. Cox szerint a korábbi szoftverfejlesztési és -karbantartási tapasztalat az ügynökök által végzett munka irányításában és ellenőrzésében hasznosul tovább.
Az ügynökök felerősíthetik a nekik adott útmutatást, de ehhez előbb érteni kell a feladatot és a kódot. Avi Flombaum, a Flatiron School alapítója Coxnak azt mondta: a fejlesztők értéke soha nem kizárólag a kód írásában vagy olvasásában állt. A tapasztalat továbbra is fontos az összetett problématerületek megértéséhez, a megépítendő rendszer meghatározásához és a szakmai ítélőképesség alkalmazásához.
Ken Kousen egy másik beszélgetésben arra emlékeztetett, hogy a fejlesztők régóta dolgoznak külső fél által előállított kóddal: korábban ezt kiszervezésnek nevezték. Az AI-munkafolyamatok megtervezése, a korlátok meghatározása és az ügynökök irányítása ezért új módot kínál a felhalmozott mérnöki tudás alkalmazására.
Az egész fejlesztési folyamatot át kell alakítani
Az úgynevezett szoftvergyárakban a vállalatok a fejlesztési életciklus több szakaszában is ügynököket alkalmaznak. A cél, hogy a munka egy kezdeti jelzéstől a megvalósításon és ellenőrzésen át a telepítésig eljusson anélkül, hogy minden lépésnél emberi közreműködésre lenne szükség.
A gyorsabb kódgenerálás önmagában azonban nem oldja meg a folyamat többi részének problémáit. Ha másutt nem változik semmi, sok token felhasználásával számos olyan kódmódosítási javaslat keletkezhet, amelyeket továbbra is át kell nézni. Az Anthropic AI-alapú szoftverfejlesztési életciklusról szóló útmutatója szerint a megvalósítás gyorsítása nagyobb terhet helyez a tervezésre, a tesztelésre, a felülvizsgálatra, az átadásokra és a jóváhagyásokra.
A szoftvergyárakban ezért az embereknek kell megtervezniük a munkafolyamatokat, meghatározniuk a továbblépés feltételeit és eldönteniük, mely kivételek igényelnek emberi beavatkozást. Az Anthropic közlése szerint a Claude írja a kódbázisába beolvasztott kód mintegy 80 százalékát; a felülvizsgálat automatizált ellenőrzéseket és a kockázathoz igazított emberi felügyeletet kombinál.
A kódminőség és a kontextus költsége
A meglévő kódbázis állapota az ügynökök hatékonyságát is befolyásolja. Adam Tornhill és a CodeScene kutatócsoportja C++, Java és Python kódbázisokat vizsgálva azt találta, hogy a rossz állapotú kódon dolgozó ügynökök ugyanazon feladatok elvégzéséhez 35–45 százalékkal több tokent használtak fel. Emiatt érdemes lehet átalakítani az ügynökök által gyakran érintett kódrészeket. Ehhez viszont emberi döntés kell arról, mely részek fontosak, milyen legyen a jobb megoldás, és változatlan maradt-e a működés.
A megfelelő kontextus szintén csökkentheti a költségeket. A Port tesztjében a strukturált kontextus biztosítása mintegy 58 százalékkal mérsékelte a költségeket ahhoz képest, amikor az ügynökök közvetlenül különálló MCP-szerverekhez fértek hozzá. Amikor útmutatást is kaptak arról, hol találják a releváns információkat, a megtakarítás körülbelül 80 százalékra nőtt. Ezek az eredmények a Port kísérletére vonatkoznak, és a mögöttük álló munka megköveteli a rendszer fontos kapcsolatainak ismeretét, valamint e tudás naprakészen tartását.
Nemcsak a változtatást, a munkafolyamatot is értékelni kell
A tesztelés megmutathatja, hogy egy adott módosítás működik-e, a munkafolyamat értékelése viszont azt vizsgálja, milyen megbízhatóan születnek elfogadható módosítások, és mikor kell embernek közbelépnie.
Shreya Shankar és Hamel Husain az Evals for AI Engineers című munkájukban azt javasolják, hogy az értékelés a rendszer tényleges működését rögzítő nyomokkal kezdődjön. Az első, nyílt kódolásnak nevezett szakaszban az értékelők átolvassák ezeket, és röviden feljegyzik a hibákat. Az axiális kódolás során a megfigyelt problémákat hibatípusokba csoportosítják. A termelési rendszerek hibakeresésében szerzett tapasztalat segíthet gyorsabban felismerni, mely hibák számítanak igazán.
Cox szerint a fejlesztői szakértelem ma abban is megmutatkozik, milyen problémákat határoznak meg a mérnökök, milyen követelményeket állítanak, és milyen bizonyítékot kérnek egy változtatás kiadása előtt. Fenntartja 2025 decemberében megfogalmazott állítását: az AI jutalmazza a szilárd mérnöki munkát, nem helyettesíti azt. Ben O’Mahony megfigyelése szerint akiknek sok tapasztalatuk van az ügynökökkel végzett fejlesztésben, a kezdeti varázslaton túljutva ismét mérnöki feladatként tekintenek a munkára.
A témához kapcsolódva Avi Flombaum The Agentic Rethink címmel új sorozatot indít az O’Reilly platformon 2027. január 13-án, szerdán.



