Lelucon Pengembang tentang 'Permintaan Prompt' Setelah Menemukan Perbaikan Kode yang Dihasilkan AI

Judul

Lelucon Pengembang Tentang “Permintaan Prompt” Setelah Menemukan Perbaikan Kode yang Dihasilkan AI

Ringkasan

Peter Steinberger (@steipete), yang menciptakan alat pengkodean AI open-source openclaw, melihat sesuatu yang tampaknya merupakan perbaikan kode yang dihasilkan AI—kemungkinan dari Anthropic’s Claude Opus—dan merespons dengan menyebut umpan baliknya sebagai “permintaan prompt” alih-alih pull request. Ini cara yang lucu untuk menyoroti sesuatu yang nyata: ketika kode berasal dari AI, Anda sebenarnya tidak sedang meninjau hasil kerja pengembang lain. Anda pada dasarnya sedang menyarankan prompt yang lebih baik.

Analisis

Ini sejalan dengan unggahan Steinberger baru-baru ini. Ia cukup vokal soal apa yang ia sebut “AI code slop”—jenis keluaran generik yang buta konteks yang Anda dapat saat model seperti Claude tidak diberi prompt dengan baik. Ia telah membagikan alat untuk mendeteksi masalah ini, termasuk skrip yang melacak seberapa banyak konteks yang digunakan Claude selama satu sesi.

Komedinya berhasil karena menangkap sesuatu yang benar-benar dihadapi pengembang. Pull request mengasumsikan kode itu ditulis oleh manusia dan dapat menjelaskan penalaran mereka. Tetapi ketika kodenya berasal dari AI, “penulisnya” sebenarnya adalah prompt yang menghasilkannya. Memperbaiki kode AI yang buruk sering kali berarti kembali ke prompt, bukan mengedit baris demi baris hasilnya.

Hal ini menciptakan dinamika yang unik. Alat seperti openclaw memungkinkan Anda memunculkan agen AI yang dapat menulis kode, berintegrasi dengan Slack, dan menangani tugas kompleks. Namun seseorang masih harus tahu kapan outputnya omong kosong dan bagaimana memperbaiki promptnya. Itu adalah keterampilan yang berbeda dibandingkan tinjauan kode tradisional.

Pertanyaan praktisnya adalah apakah ini membuat pengembangan lebih cepat atau hanya menjadi bentuk yang berbeda. AI bisa menghasilkan kode yang berfungsi dengan cepat, tetapi menemukan masalah-masalah halus—atau menjelaskan mengapa sebuah perbaikan sebenarnya tidak mengatasi akar masalah—tetap memerlukan manusia yang memahami basis kode sekaligus cara berkomunikasi dengan model tersebut.

Penilaian Dampak

• Signifikansi: Sedang
• Kategori: Wawasan Teknis, Alat Pengembang, Tren Industri