Sebuah gerakan yang berkembang di kalangan developer perangkat lunak sedang menantang saran populer untuk terus menerus memperbaiki prompt AI untuk menghasilkan kode. Sebaliknya, mereka mengadvokasi pendekatan yang lebih langsung yang menggabungkan keterampilan coding tradisional dengan bantuan AI yang strategis.
Perdebatan ini berpusat pada bagaimana developer seharusnya berinteraksi dengan tools coding AI seperti Claude , Cursor , dan GitHub Copilot . Sementara banyak yang telah mengadopsi ide pemrograman dalam bahasa Inggris melalui prompt yang detail, developer berpengalaman menemukan pendekatan ini tidak efisien dan kontraproduktif.
Masalah dengan Penyempurnaan Prompt yang Berlebihan
Banyak developer melaporkan menghabiskan waktu berlebihan untuk mencoba menyempurnakan prompt AI mereka, hanya untuk menerima hasil yang biasa-biasa saja. Komunitas telah mengidentifikasi beberapa masalah dengan terlalu bergantung pada prompt engineering. Pertama, ini menciptakan alur kerja yang tidak tepat dan lambat yang sering mengarah pada frustrasi. Kedua, ini dapat menyebabkan developer kehilangan kontak dengan kode sebenarnya yang seharusnya mereka pahami dan maintain.
Seorang developer membagikan pengalaman mereka dengan fitur autocomplete AI, mencatat bagaimana saran yang terus-menerus menjadi gangguan daripada bantuan. Mereka menemukan diri mereka menghabiskan lebih banyak waktu membaca saran yang dihasilkan AI daripada benar-benar memikirkan logika kode, akhirnya memutuskan untuk menonaktifkan fitur tersebut sepenuhnya.
Pendekatan yang Lebih Seimbang Muncul
Komunitas developer sedang menuju pada metodologi hybrid yang memperlakukan AI sebagai junior developer daripada solusi ajaib. Pendekatan ini melibatkan penulisan struktur kode awal, komponen kritis, atau outline detail, kemudian membiarkan AI mengisi celah atau menangani tugas-tugas rutin.
Beberapa strategi efektif telah muncul dari diskusi komunitas. Developer meminta AI untuk versi awal kemudian melakukan refactoring hasilnya sendiri. Yang lain menulis logika inti terlebih dahulu dan menggunakan AI untuk kode boilerplate. Beberapa membuat outline kode yang detail dan membiarkan AI mengimplementasikan spesifiknya, sementara yang lain menggunakan AI terutama untuk pencarian API dan sintaks yang tidak familiar.
Saya menggunakan AI sebagai teman pairing yang dapat mencari API dan algoritma dengan sangat cepat, atau sebagai text editor yang sangat pintar yang memahami refactoring, DRY, dll. tetapi saya masih memutuskan arsitektur dan menulis tes.
Strategi Coding AI yang Efektif:
- Minta AI untuk versi awal, kemudian refaktor secara manual
- Tulis logika inti terlebih dahulu, gunakan AI untuk boilerplate
- Buat outline kode, biarkan AI mengisi detail implementasi
- Gunakan AI untuk pencarian API dan sintaks yang tidak familiar
- Perlakukan AI sebagai developer junior yang memerlukan pengawasan
Faktor Pembelajaran dan Pemahaman
Kekhawatiran signifikan yang diangkat oleh developer adalah dampak pada pengembangan keterampilan dan pemahaman kode. Ketika AI menghasilkan blok kode yang besar, developer harus menghabiskan waktu yang cukup untuk membaca dan memahami output sebelum mereka dapat menggunakannya dengan aman. Banyak yang menemukan bahwa mereka dapat menulis kode lebih cepat daripada membaca dan memverifikasi kode yang dihasilkan AI.
Ini telah mengarah pada observasi menarik tentang perhatian dan fokus. Beberapa developer melaporkan bahwa mematikan autocomplete AI membantu mereka mengingat lebih banyak tentang codebase mereka dan terlibat lebih dalam dengan kode yang mereka tulis. Perpindahan konteks yang konstan antara pemikiran mereka sendiri dan saran AI terbukti melelahkan secara mental.
Tantangan Implementasi Praktis
Komunitas juga telah menyoroti masalah praktis dengan tools coding AI saat ini. Fitur autocomplete sering mengganggu tugas dasar seperti indentasi, mengharuskan developer untuk mengikat ulang shortcut keyboard atau mengembangkan solusi alternatif. Fitur format-on-save dapat menciptakan komplikasi tambahan ketika bekerja dengan codebase yang menggunakan standar formatting yang berbeda.
Meskipun menghadapi tantangan ini, developer tidak menolak tools AI sepenuhnya. Sebaliknya, mereka menemukan penggunaan yang lebih terarah, seperti bekerja dengan API yang tidak familiar, menghasilkan kode boilerplate, atau mendapatkan contoh cepat untuk bahasa pemrograman atau framework baru.
Masalah Umum Tool Coding AI:
- Autocomplete mengganggu indentasi dasar (konflik tombol TAB)
- Perpindahan perhatian antara pemikiran pribadi dan saran AI
- Degradasi konteks dalam percakapan AI yang panjang
- Komplikasi format-on-save dengan standar formatting yang beragam
- Resource leak dan bug halus dalam kode yang dihasilkan
Masa Depan Pengembangan Berbantuan AI
Diskusi ini mengungkapkan pemahaman yang semakin matang tentang peran AI dalam pengembangan perangkat lunak. Daripada melihatnya sebagai pengganti keterampilan coding, developer yang sukses memperlakukannya sebagai tool yang kuat namun terbatas yang memerlukan manajemen dan pengawasan yang hati-hati.
Konsensus menunjukkan bahwa pendekatan yang paling efektif menggabungkan keahlian pemrograman tradisional dengan bantuan AI yang strategis. Developer yang mempertahankan keterampilan coding mereka sambil secara selektif menggunakan AI untuk tugas yang tepat tampaknya mencapai hasil terbaik, menghindari baik ketidakefisienan penyempurnaan prompt yang berlebihan maupun risiko ketergantungan berlebihan pada generasi kode otomatis.
Pergeseran pemikiran ini mewakili pendekatan yang lebih berkelanjutan untuk pengembangan berbantuan AI, yang mempertahankan keterampilan penting yang dibutuhkan developer sambil memanfaatkan kekuatan AI dalam konteks yang tepat.
Referensi: Write the damn code