Learning to Commit: Generating Organic Pull Requests via Online Repository Memory
تقدم الورقة البحثية إطار عمل "التعلم من أجل الالتزام" (Learning to Commit)، الذي يعزز عضوية طلبات السحب (pull requests) المُولدة بواسطة النماذج اللغوية الكبيرة عبر تدريب الوكلاء على التزامات المستودعات التاريخية من خلال نظام ذاكرة مستودع عبر الإنترنت، مما يمكنهم من تعلم الاصطلاحات الخاصة بالمشروع والأنماط المعمارية لإنتاج كود يتوافق مع توقعات القائمين على الصيانة في العالم الحقيقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
المشكلة الكبرى: المبرمج "الفضائي"
تخيل أنك وظفت مهندس برمجيات عبقرياً جديداً، قد قرأ كل كتب البرمجة في العالم. إنه عبقري في المنطق ويمكنه إصلاح أي خطأ برمجي فوراً.
ومع ذلك، عندما يقدم أول قطعة من عمله، يرفضها قائد الفريق. لماذا؟
- لأنه أعاد اختراع عجلة بناها الفريق بالفعل.
- لأنه سمى المتغيرات بطريقة تربك الجميع.
- لأنه كسر قاعدة خفية حول كيفية هيكلة المبنى.
الكود يعمل بشكل مثالي، لكنه يبدو فضائياً. يبدو وكأنه كُتب بواسطة شخص لم يعش أبداً في هذا المكتب تحديداً. وكلاء الذكاء الاصطناعي الحاليين هم مثل هذا: إنهم أذكياء، لكنهم لا يعرفون "ثقافة" أو "تاريخ" المشروع المحدد الذي يعملون عليه. هم فقط يخمنون بناءً على المعرفة العامة.
الحل: "التعلم من أجل الالتزام" (Learning to Commit)
ابتكر مؤلفو هذه الورقة إطار عمل جديداً يسمى Learning to Commit. فكر فيه كأنه برنامج تأهيل صارم وغامر للذكاء الاصطناعي قبل أن يُسمح له بكتابة سطر واحد من الكود لمشروع جديد.
بدلاً من مجرد تسليم الكود الحالي للذكاء الاصطناعي وقول: "أصلح هذا الخطأ"، يتم إجبار الذكاء الاصطناعي على العودة بالزمن إلى الوراء والتعلم من تاريخ المشروع.
كيف يعمل: تشبيه "المتدرب المسافر عبر الزمن"
تخيل أن الذكاء الاصطناعي هو متدرب جديد في شركة هندسة معمارية شهيرة.
1. الإعداد (تقسيم الزمن)
لدينا في الشركة قاعدة صارمة: لا يمكن للمتدرب رؤية المخططات للمباني المستقبلية. يمكنه فقط دراسة آخر 50 عاماً من المشاريع المكتملة.
2. الخطوة 1: الممارسة "العمياء" (التأمل التبايني)
يُعطى المتدرب وصفاً لمشكلة من قبل 10 سنوات (مثلاً: "المصعد كان بطيئاً جداً").
- المحاولة: يحاول المتدرب حلها باستخدام قدراته الذهنية العامة فقط. يكتب حلاً.
- الكشف: يكشف المدير عن الحل الفعلي الذي استخدمه كبار المهندسين المعماريين آنذاك.
- الدرس: يقارن المتدرب بين حله والحل الحقيقي.
- أوه، لقد استخدمتُ ترساً معدنياً ثقيلاً، لكنهم استخدموا زنبركاً خفيف الوزن.
- أوه، لقد وضعتُ المحرك في القبو، لكنهم وضعوه على السطح بسبب الرياح.
- أوه، لقد سميتُ الملف
elevator_fix.py، لكنهم دائماً يستخدمونlift_system_v2.py.
يدون المتدرب هذه الدروس في دفتر مهارات شخصي. هو لا يحفظ الإجابة فحسب؛ بل يحفظ الأسلوب، والقواعد الخفية، والأدوات المفضلة لهذه الشركة تحديداً.
3. الخطوة 2: الاختبار الحقيقي (الحل المشروط بالمهارة)
الآن، تصل مشكلة جديدة تماماً (مهمة مستقبلية لم يسبق للمتدرب رؤيتها).
- يفتح المتدرب دفتر مهاراته.
- يتذكر: "في هذه الشركة، لا نضع المحركات أبداً في القبو"، و"نحن نستخدم الزنبركات دائماً لهذا الغرض".
- يحل المشكلة الجديدة، ولكن هذه المرة يبدو حله وكأنه كُتب بواسطة مهندس معماري كبير يعمل هناك منذ 20 عاماً. إنه يتناسب تماماً مع السياق.
لماذا يعد هذا أمراً هاماً؟
كانت اختبارات الذكاء الاصطناعي السابقة تشبه إعطاء طالب اختبار رياضيات والتحقق مما إذا كان قد حصل على الرقم الصحيح. تضيف هذه الورقة طبقة جديدة: هل حلها بالطريقة التي يتبعها فريقنا؟
اختبر الباحثون هذا على مشروع برمجيات حقيقي ومعقد. ووجدوا أنه عندما استخدم الذكاء الاصطناعي طريقة "المتدرب المسافر عبر الزمن" هذه:
- وجد الملفات الصحيحة بشكل أسرع: لم يضع وقته في البحث في الغرف الخطأ.
- كتب كوداً أقل "تضخماً": لم يكتب 50 سطراً من الكود بينما يكفي 10 أسطر، لأنه عرف اختصارات الفريق.
- بدا "عضوياً": بدا الكود وكأنه نما بشكل طبيعي من المشروع، بدلاً من كونه ملصقاً من الخارج.
الخلاصة
تجادل الورقة بأنه لجعل الذكاء الاصطناعي مفيداً حقاً للبرمجيات في العالم الحقيقي، لا يمكننا فقط جعله أكثر ذكاءً في البرمجة. يجب أن نجعله أفضل في تعلم الثقافة الخاصة بالمشروع.
من خلال إجبار الذكاء الاصطنانا على "الفشل" في المشكلات الماضية والتعلم من تصحيحات الخبراء، فإنه يبني ذاكرة لشخصية المشروع الفريدة. هذا يحول مبرمجاً آلياً عاماً إلى عضو متمرس في الفريق ينسجم معه تماماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.