Context-Augmented Code Generation: How Product Context Improves AI Coding Agent Decision Compliance by 49%
تقدم هذه الورقة معياراً مضبوطاً يوضح أن تعزيز وكلاء البرمجة بالذكاء الاصطناł عبر نظام استرجاع سياق المنتج (Brief) يحسن امتثالهم للقرارات الخاصة بالمنتج والخاصة بالفريق بمقدار 49 نقطة مئوية مقارنة بالوصول إلى الكود المصدري فقط، محققاً نسبة امتثال تصل إلى 95% في مهام هندسة البرمجيات الواقعية.
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
تخيل أنك وظفت متدرباً بارعاً وسريعاً جداً في البرمجة لبناء ميزة جديدة لموقع شركتك الإلكتروني. هذا المتدرب (الذكاء الاصطناعي) يمكنه قراءة كل سطر كود كتبته على الإطلاق، وفهم كيفية عمل حاسوبك، وكتابة كود جديد يعمل بالفعل دون أن يتوقف أو ينهار.
لكن المشكلة هي: المتدرب لا يعرف القواعد غير المكتوبة لشركتك.
في مكتب حقيقي، تمتلك الفرق "مصافحات سرية" للبرمجة. ربما هناك قاعدة تقول: "نحن لا نستخدم أداة التقويم هذه بعد الآن"، أو "في كل مرة نصدر فيها بيانات، يجب أن نسجلها لغرض التدقيق الأمني"، أو "نحن نضع دائماً الاختبارات بجانب الكود الذي نختبره". هذه القواعد ليست مكتوبة داخل الكود نفسه؛ بل تعيش في ملاحظات الاجتماعات، أو وثائق التصميم، أو الذاكرة الجماعية للفريق.
بدون هذا السياق، قد يبني المتدرب البارع ميزة تعمل تقنياً وتعمل بشكل صحيح، لكنها تنتهك أهم قواعد فريقك. الأمر يشبه بناء منزل جميل باستخدام أنواع خاطئة من الطوب لأن المهندس المعماري لم يكن يعلم أن المدينة لديها قانون تنظيم بناء محدد.
التجربة: نهجان مختلفان
وضع مؤلفو هذه الورقة البحثية اختباراً لمعرفة ما إذا كان إعطاء الذكاء الاصطناعي إمكانية الوصول إلى هذه "القواعد غير المكتوبة" يساعد في تحسين الأداء. قاموا بإنشاء بيئة مكتبية محاكية (مستودع كود) تحتوي على 8 مهام مختلفة، مثل "إضافة زر تبديل الوضع الداكن" أو "إنشاء شريط بحث". كانت هذه المهام تخفي بداخلها 41 "فخاً" أو قاعدة محددة كان على الذكاء الاصطناعي اتباعها للحصول على درجة مثالية.
لقد اختبروا نسختين من الذكاء الاصطناعي:
- متدرب "الكود فقط" (الأساس): تم إعطاء هذا الذكاء الاصطناي ملفات الكود وإخباره: "ابنِ هذا". كان عليه تخمين القواعد من خلال النظر في أنماط الكود الموجودة.
- المتدرب "المدرك للسياق" (المُعزز): حصل هذا الذكاء الاصطناعي على نفس ملفات الكود، ولكن كان لديه أيضاً "كتيب الشركة" (يسمى Brief). قبل كتابة سطر واحد من الكود، كان بإمكان هذا الذكاء الاصطناعي طرح أسئلة مثل: "ما هي قواعد التصميم لدينا؟" أو "ما هي شكاوى عملائنا؟". كما كان لديه خطة خطوة بخطوة (مواصفات) مكتوبة قبل أن يبدأ في البناء.
النتائج: قفزة هائلة
كان الفرق دراماتيكياً.
- متدرب "الكود فقط" اتبع القواعد بنسبة 46% فقط. غالباً ما فاتته القواعد غير المرئية. على سبيل المثال، في إحدى المهام، نظر إلى الكود، ورأى دالة مساعدة لتقسيم الصفحات (pagination)، وقرر: "أوه، هذا قد تم بالفعل!"، فكتب صفراً من الكود. لقد فاته أن نظام تقسيم الصفحات الحالي معطل ويحتاج إلى إصلاح محدد.
- المتدرب "المدرك للسياق" اتبع القواعد بنسبة 95% من المرات. من خلال التحقق من "الكتيب"، عرف بالضبط أي الأدوات يستخدم، وأي سجلات أمنية يضيف، وكيفية هيكلة الكود.
الفوز الكبير: حققت النسخة المدركة للسياق تحسناً في الامتثال بمقدار 49 نقطة مئوية.
لماذا حدث ذلك: القواعد "المرئية" مقابل "غير المرئية"
وجدت الورقة نمطاً واضحاً:
- القواعد المرئية: إذا كانت القاعدة مكتوبة في تعليق داخل الكود (مثل "استخدم هذه الدالة للأمان")، فقد وجدها كلا المتدربين واتبعاها بنسبة 100%.
- القواعد غير المرئية: إذا كانت القاعدة موجودة فقط في وثيقة المنتج (مثل "نحن نستخدم PostHog لتفعيل الميزات، لكنه ليس موجوداً في الكود")، فقد حصل متدرب "الكود فقط" عليها بنسبة 0%. بينما حصل المتدرب "المدرك للسياق" عليها بنسبة 100% لأنه بحث عن القاعدة قبل البدء.
الأمر لا يتعلق فقط بـ "معرفة" القواعد
تشير الورقة أيضاً إلى أن الذكاء الاصطناعي "المدرك للسياق" لم يكتفِ فقط بـ "البحث عن" القواعد؛ بل عمل بطريقة مختلفة أيضاً. فقد وضع خطة مفصلة (مواصفات) تتضمن قائمة بالمتطلبات قبل البدء في البرمجة. كما أجرى "استشارة أثناء البناء"، مما يعني أنه استطاع التوقف وسؤال: "هل أفعل هذا بشكل صحيح؟" أثناء العمل.
يعترف المؤلفون بأنهم لا يستطيعون الفصل تماماً بين مقدار النجاح الذي جاء من امتلاك المعلومات مقابل النجاح الناتج عن امتلاك سير عمل أفضل. ومع ذلك، تشير البيانات بقوة إلى أن امتلاك المعلومات الصحيحة (سياق المنتج) هو المفتاح لحل المشكلات التي لم يستطع الذكاء الاصطناعي الآخر رؤيتها.
تكلفة كونك "على صواب"
من المثير للاهتمام أن الذكاء الاصطناعي "المدرك للسياق" كلف أكثر قليلاً في التشغيل (حوالي 28% زيادة في رسوم واجهة برمجة التطبيقات API) لأنه قضى وقتاً في قراءة الكتيب وكتابة الخطط. ومع ذلك، ولأن الكود الذي أنتجه كان جاهزاً للدمج في المشروع الرئيسي فوراً، فإن التكلفة لكل مهمة ناجحة انخفضت فعلياً بنسبة 68%.
كان الذكال الاصطناعي "الكود فقط" أرخص في كل محاولة، لكنه أنتج كوداً كان على البشر إصلاحه وإعادة كتابته، مما جعله أكثر تكلفة على المدى الطويل. أما الذكاء الاصطناعي "المدرك للسياق" فقد كتب كوداً أكثر، وكتب اختبارات، وتجنب الأنماط القديمة، مما يعني أنه كان "جاهزاً للدمج" بنسبة 100% من الوقت.
الخلاصة
هذه الورقة هي إثبات لمفهوم. وهي تظهر أنه لكي تكون وكلاء البرمجة بالذكاء الاصطناعي مفيدين حقاً في فريق احترافي، لا يمكنهم مجرد قراءة الكود. يجب أن يكون لديهم وصول إلى المعرفة التنظيمية — القرارات، وشكاوى العملاء، وتفضيلات التصميم، وقواعد الأمن التي تعيش خارج ملفات الكود.
عندما تعطي الذكاء الاصطناعي "الصورة الكاملة"، فإنه يتوقف عن التخمين ويبدأ في بناء ما يحتاجه الفريق بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.