ค้นพบความสนใจของคุณ ไปด้วยกัน

ดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

ค้นพบความสนใจของคุณ ไปด้วยกันดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

เมื่อ AI เขียนโค้ดเร็วเกิน Git ทีมวิศวกรต้องออกแบบเวอร์ชันคอนโทรลใหม่

เมื่อ AI เขียนโค้ดเร็วเกิน Git ทีมวิศวกรต้องออกแบบเวอร์ชันคอนโทรลใหม่
ความสนใจ|เพิ่มประสิทธิภาพงานด้วย AI

AI เขียนโค้ดแทนมนุษย์ และทำให้โครงสร้างพื้นฐานเดิมพังทลาย

AI code generation คือการใช้ระบบปัญญาประดิษฐ์สร้างและแก้ไขซอร์สโค้ดโดยอัตโนมัติในระดับที่แทนที่การพิมพ์โค้ดของมนุษย์ ตั้งแต่การออกแบบฟังก์ชัน การแปลงภาษาโปรแกรม ไปจนถึงการเขียนเทสต์และบำรุงรักษาระบบ ทำให้ความเร็วและปริมาณการเปลี่ยนแปลงโค้ดสูงกว่าที่เครื่องมือเวอร์ชันคอนโทรลแบบดั้งเดิมถูกออกแบบมารองรับ ส่งผลให้คอขวดของงานพัฒนาซอฟต์แวร์ย้ายจากขั้นตอนการเขียนโค้ดไปอยู่ที่การรวมโค้ดและระบบ CI แทน กรณีของ Anthropic ชี้ให้เห็นการเปลี่ยนผ่านนี้อย่างชัดเจน วิศวกรระดับหัวหน้าของทีมแพลตฟอร์มเผยว่าทุกบรรทัดของโค้ดในทีมถูกเขียนโดย Claude Code ทั้งหมด คนในทีมยังออกแบบสถาปัตยกรรมและวิธีตรวจสอบ แต่การลงมือเขียนและปรับโค้ดถูกส่งต่อให้ AI แทน เมื่อบริษัทเคยย้ายโค้ดฐานใหญ่จาก Python ไปเป็น Rust งานออกแบบการยืนยันผลยังเป็นของมนุษย์ แต่การประกอบชิ้นส่วนและการเฝ้าระวังระบบเป็นหน้าที่ของเอเจนต์ AI ตั้งแต่ต้นจนจบ ผลคือรูปแบบงานวิศวกรรมซอฟต์แวร์เปลี่ยนจากการลงมือเขียนโค้ดไปเป็นการกำกับ AI และออกแบบกระบวนการตรวจสอบ แต่โครงสร้างพื้นฐานที่สร้างมาสำหรับยุคที่มนุษย์เป็นผู้ผลิตโค้ดหลักกลับเริ่มรับภาระไม่ไหว

เมื่อ AI เขียนโค้ดเร็วเกิน Git ทีมวิศวกรต้องออกแบบเวอร์ชันคอนโทรลใหม่

เมื่อ Git workflow กลายเป็นคอขวดในยุคการรวมโค้ดวันละสามหมื่นครั้ง

หัวใจของปัญหาไม่ใช่แค่ AI เขียนโค้ดได้เร็ว แต่คือระบบเวอร์ชันคอนโทรลและ CI ที่ถูกออกแบบมาสำหรับมนุษย์ไม่สามารถ scale ทันความเร็วของเอเจนต์ AI Anthropic รายงานว่าทีมแพลตฟอร์มมีสมาชิกประมาณ 200 คนในช่วงฤดูร้อนที่ผ่านมา แต่การเขียนโค้ดทั้งหมดถูกส่งให้ Claude แล้ว เมื่อจำนวนผู้ผลิตโค้ดเป็น AI ที่ทำงานตลอดเวลา ปริมาณการเปลี่ยนแปลงจึงพุ่งสูงแบบที่ Git workflow ทั่วไปไม่เคยเจอมาก่อน ตัวเลขสะท้อนภาพนี้อย่างชัดเจน เดือนพฤษภาคมบริษัทมีการรวมโค้ดเฉลี่ยวันละประมาณ 2500 ครั้ง แต่ภายในเดือนกันยายนตัวเลขทะลุเกิน 30000 ครั้งต่อวัน เพิ่มขึ้นมากกว่าสิบเท่าในเวลาเพียงสี่เดือน และยังคาดว่าทิศทางนี้จะเดินหน้าต่อไป โค้ดฐานแบบโมโนลิธของบริษัทมีประวัติในสาขาหลักเกือบ 100GB และสำเนางานที่บีบอัดแล้วยังเกิน 25GB ขณะที่ระบบ CI ต้องทำการ checkout โค้ดราว 25 ล้านครั้งต่อวัน ในโลกที่นักพัฒนามนุษย์ต้องการสำเนา repository เต็มบนเครื่องเพื่อทำงานแบบออฟไลน์ Git เคยเป็นคำตอบที่ดี แต่เมื่อผู้ผลิตโค้ดหลักกลายเป็นเอเจนต์ที่ออนไลน์ตลอดเวลา การบังคับให้ทุกระบบถือสำเนาเต็มกลับกลายเป็นภาระด้าน CPU หน่วยความจำ และเวลา checkout ที่ทำให้สายการพัฒนาอืดลงอย่างเห็นได้ชัด นี่คือ Git workflow problems ในยุค AI อย่างแท้จริง

Scion และการออกแบบเวอร์ชันคอนโทรลใหม่เพื่อรองรับการรวมโค้ดอัตโนมัติ

เมื่อ bottleneck ย้ายจากการสร้างโค้ดไปเป็นการรวมและทดสอบ Anthropic เลือกทำศัลยกรรมใหญ่กับโครงสร้างพื้นฐานของตัวเอง บริษัทตัดสินใจเลิกใช้ Git เป็นแกนกลางของเวอร์ชันคอนโทรล และย้ายไปยังแพลตฟอร์มใหม่ที่พัฒนาขึ้นเองชื่อ Scion ภายในเวลาเพียงห้าเดือน นี่ไม่ใช่การเปลี่ยนเครื่องมือเล็กน้อย แต่คือการออกแบบปรัชญา version control scaling ใหม่ให้เข้ากับยุคที่ AI เป็นผู้ผลิตโค้ดหลัก Scion ใช้แนวทางตรงข้ามกับ Git ที่เน้นสถาปัตยกรรมกระจายตัว ระบบใหม่เน้นแบบรวมศูนย์ การคำนวณส่วนใหญ่เกิดบนเซิร์ฟเวอร์ ทั้งการ commit การ merge การดูประวัติ และการจัดการ conflict ถูกผลักไปที่ฝั่งเซิร์ฟเวอร์ ส่วนไคลเอนต์มีแค่ cache จำกัดและดึงข้อมูลเท่าที่จำเป็น แนวทางนี้เข้ากับโลกที่เอเจนต์และระบบอัตโนมัติทำงานออนไลน์ตลอดเวลา ไม่ต้องการสำเนา repository เต็มบนเครื่อง ผลลัพธ์ด้านประสิทธิภาพถือว่าน่าจับตา Anthropic ระบุว่า Scion ใช้ CPU และหน่วยความจำเพียงประมาณหนึ่งในสองร้อยของโครงสร้างพื้นฐาน Git แบบ mirror เดิม และเวลาการ checkout โค้ดในสภาพแวดล้อม CI ลดจากระดับนาทีเหลือเพียงไม่กี่วินาที พร้อมช่วยลดทรัพยากรการประมวลผลของ CI ลงราว 25 เปอร์เซ็นต์ เมื่อรวมกับเครื่องมือคู่ขวัญอย่างแพลตฟอร์มรีวิวโค้ด Antique ระบบค้นหาโค้ด และการจัดการสิทธิ์ที่ละเอียดขึ้น Scion จึงไม่ใช่แค่ตัวแทน Git แต่เป็นฐานรากใหม่ของ code merge automation ในยุค AI

เมื่อเวอร์ชันคอนโทรลกลายเป็นสนามทดลองใหม่ของทีมวิศวกร

การที่ Claude เขียนโค้ดเกือบทั้งหมดของบริษัทมากกว่า 80 เปอร์เซ็นต์ของโค้ด production เคยถูกระบุว่าเป็นผลงานของมัน ทำให้โฟกัสของทีมวิศวกรเปลี่ยนจากการลงมือเขียนไปเป็นการออกแบบระบบและการตรวจสอบแทน คนในทีมแพลตฟอร์มยังรับผิดชอบการออกแบบสถาปัตยกรรมและวิธีการยืนยันผล แต่การสร้างชิ้นส่วนและการเฝ้าระวังระบบเป็นงานของเอเจนต์ AI อย่างต่อเนื่อง ผลที่ตามมาคือรูปแบบการจ้างงานก็เปลี่ยน บริษัทระบุว่าการใช้ AI agent มากขึ้นทำให้สัดส่วนการรับตำแหน่งเทคนิคระดับจูเนียร์ลดลง อย่างไรก็ตาม แม้จะผลักงานเขียนโค้ดให้ AI ไปไกล Anthropic ยังระมัดระวังเรื่องการให้เอเจนต์แก้โค้ดฐานโดยอัตโนมัติ ปัจจุบันบริษัทให้เอเจนต์แก้เทสต์เองโดยไม่มีมนุษย์ยุ่งเกี่ยว และกำลังคิดต่อว่าจะทำให้ทีมสบายใจกับการปล่อยให้เอเจนต์เปลี่ยนโค้ดใน codebase ได้อย่างไร เมื่อความสามารถของโมเดล AI ดีขึ้นในปีที่ผ่านมา นี่สะท้อนว่าคอขวดใหม่ไม่ใช่ความสามารถของ AI แต่คือความไว้วางใจ กระบวนการกำกับ และเครื่องมือเวอร์ชันคอนโทรลที่ต้องรองรับการเปลี่ยนแปลงระดับหมื่นครั้งต่อวันโดยไม่ทำให้คุณภาพระบบตกลง ในมุมนี้ Scion จึงเป็นทั้งคำตอบและคำถามใหม่ มันพิสูจน์ว่าการออกแบบเวอร์ชันคอนโทรลแบบรวมศูนย์และปรับ CI pipeline ให้เหมาะกับเอเจนต์สามารถปลดล็อกความเร็วของ AI code generation ได้ แต่ก็เปิดประเด็นว่าองค์กรอื่นจะยอมปรับโครงสร้างพื้นฐานตามหรือไม่ เมื่อยังมีโครงการจำนวนมากที่ Git ยังคงเป็นตัวเลือกที่เหมาะสมที่สุดสำหรับขนาดและรูปแบบงานในปัจจุบัน

บทสรุป: จากยุคมนุษย์เขียนโค้ดสู่ยุคออกแบบเครื่องมือให้ AI ทำงานได้เต็มที่

เรื่องของ Anthropic แสดงให้เห็นอย่างชัดว่าการนำ AI code generation มาใช้แบบสุดทางไม่ได้จบที่การให้เอเจนต์เขียนโค้ดแทนมนุษย์ แต่บังคับให้ทีมวิศวกรต้องคิดใหม่ตั้งแต่ระดับเวอร์ชันคอนโทรลไปจนถึง CI pipeline เดิมที Git ถูกออกแบบมาเพื่อโลกที่นักพัฒนามนุษย์ต้องการสำเนา repository เต็มและทำงานแบบกระจายตัว แต่เมื่อผู้ผลิตโค้ดหลักกลายเป็นระบบอัตโนมัติที่ออนไลน์ตลอดเวลา ข้อดีเดิมของ Git กลับกลายเป็นข้อจำกัดด้านการขยายตัว การสร้าง Scion ภายในห้าเดือนโดยทีมเล็กเพียงเจ็ดคน พร้อมให้ Claude มีบทบาทสำคัญในการพัฒนาระบบ แสดงให้เห็นว่าพลังของ AI ไม่ได้อยู่แค่ในโค้ดที่มันเขียน แต่ยังอยู่ในความสามารถในการช่วยออกแบบเครื่องมือที่รองรับความเร็วระดับใหม่ของการพัฒนาโค้ดด้วย ขณะเดียวกันบริษัทก็ย้ำว่า Scion ไม่ได้มีเป้าหมายจะมาแทน Git สำหรับทุกโครงการ แต่ถูกออกแบบมาเฉพาะสำหรับโค้ดฐานขนาดใหญ่มากและสภาพแวดล้อมที่พึ่งพา AI อย่างหนัก สำหรับทีมพัฒนาที่กำลังทดลองใช้ AI ในงานเขียนโค้ด บทเรียนสำคัญคืออย่ามอง AI เป็นแค่ตัวช่วยเพิ่ม productivity ส่วนบุคคล แต่ต้องมองมันเป็นตัวเร่งให้ต้องออกแบบ workflow ใหม่ทั้งชุด ตั้งแต่การจัดการเวอร์ชัน การรีวิวโค้ด ไปจนถึงการทดสอบและปล่อยระบบ ใครที่ยังยึดติดกับเครื่องมือยุคมนุษย์อาจพบว่าคอขวดในอีกไม่กี่ปีข้างหน้าจะไม่ใช่ความสามารถของ AI แต่คือโครงสร้างพื้นฐานที่ไม่ยอมเปลี่ยนตาม

ZestBuy ได้รับค่าคอมมิชชั่นเมื่อคุณช้อปผ่านลิงก์ของเรา โดยคุณไม่ต้องจ่ายเพิ่ม

You May Also Like

Comments
พูดอะไรบางอย่าง...
ยังไม่มีความคิดเห็น มาเป็นคนแรกที่แบ่งปันความคิดเห็นของคุณ!