วิศวกร 10x คนใหม่ไม่ได้เขียนโค้ด 10 เท่า แต่สร้างระบบที่เขียนโค้ดแทน

วิศวกร 10x เป็นตำนานของหุบเขาซิลิคอนมาเป็นทศวรรษแล้ว วิศวกรที่มีพรสวรรค์เป็นพิเศษ สวมหูฟัง ทำงานด้วยความเร็วและความสวยงามที่เหนือมนุษย์ เราได้ถกเถียงกันว่าพวกเขามีอยู่จริงหรือไม่ วิธีการจ้างงาน และรู้สึกไม่พอใจกับใครก็ตามที่อ้างว่าเป็นหนึ่งในนั้น

แต่สิ่งที่น่าสนใจเกิดขึ้นเมื่อเราเดินทางสู่อนาคตของ AI: วิศวกร 10x กลายเป็นจริง แต่พวกเขาไม่ได้ดูเหมือนกับที่เราคิดไว้

OpenAI เพิ่งแบ่งปันวิธีการที่ทีมสามคนใช้ Codex เพื่อจัดส่ง 1,500 คำขอและประมาณหนึ่งล้านบรรทัดของโค้ด โดยไม่ต้องเขียนโค้ดด้วยมือ วิศวกรสามคนและไม่มีโค้ดที่เขียนด้วยมือ ผลิตภัณฑ์ที่ใช้ในการผลิตโดยผู้ใช้ภายในหลายร้อยคน

นั่นไม่ใช่ 10x แต่มันใกล้เคียงกับ 100x ทักษะที่ทำให้การทำงานนี้เป็นไปได้ไม่ใช่การเขียนโค้ดเร็วขึ้นหรือรู้จักอัลกอริทึมมากขึ้น แต่เป็นการสร้างระบบที่ทำให้เอเย่นต์ AI มีประสิทธิภาพ: วิธีการทำงาน การตรวจสอบ การวนซ้ำ การติดต่อที่เอเย่นต์เชื่อมต่อและมนุษย์ตรวจสอบ

ฉันเชื่อว่านี่คือการเกิดขึ้นของหน้าที่หลักใหม่ในวิศวกรรมองค์กร ฉันจะเรียกมันว่า วิศวกรรมการจัดอันดับ AI

สามสาขาวิชาเดินเข้ามาในงานสแตนด์อัพ

หากคุณมองว่าวิศวกรการจัดอันดับ AI ทำอะไร คุณจะเห็นสามสาขาวิชาที่คุ้นเคยรวมกัน

ส่วนประกอบที่เห็นได้ชัดเจนที่สุดคือ DevOps DevOps จัดระเบียบการทำงานของการวางแผนการผลิต ทีมหนึ่งกำหนดการทำงานของ CI/CD ที่วิศวกรทุกคนใช้เมื่อจัดส่งโค้ด วิศวกรรมการจัดอันดับ AI ทำสิ่งเดียวกัน แต่สำหรับการทำงานของเอเย่นต์ มันกำหนดวิธีการกำหนดงานให้กับเอเย่นต์ วิธีการตรวจสอบผลลัพธ์ วิธีการวนซ้ำและallbacks ทำงาน มันเป็นโครงสร้างพื้นฐานที่ใช้ร่วมกันที่เอเย่นต์ทำงาน

จากนั้น มีสถาปัตยกรรม ซึ่ง перекрыивается กับ DevOps มากกว่าที่คุณคิด สถาปนิกตัดสินใจว่าอินเทอร์เฟซใดถูกล็อก ใดรูปแบบถูกบังคับ และขอบเขตใดที่ไม่สามารถข้ามได้ ในโลกของเอเย่นต์ สิ่งนี้มีความสำคัญมากขึ้น เอเย่นต์ต้องการโค้ดเบสที่สะอาด มีเอกสารที่ชัดเจน และสัญญาที่ชัดเจน วิศวกรการจัดอันดับ AI ระบุข้อจำกัดเหล่านี้ ไม่ใช่แค่สำหรับการอ่านของผู้คน แต่สำหรับการทำความเข้าใจของเอเย่นต์ โค้ดเบสที่ไม่ดีไม่ใช่แค่หนี้สินเทคนิค แต่เป็นพื้นผิวที่จำกัดผลผลิตของเอเย่นต์ทุกตัวที่สัมผัส

ส่วนประกอบที่ไม่เข้าใจมากที่สุดคือชั้น AI โดยเฉพาะ การออกแบบคำสั่ง การจัดการบริบท การเลือกแบบจำลอง และการกำหนดค่าเอเย่นต์ วันนี้ วิศวกรส่วนใหญ่ทำสิ่งนี้ในลักษณะที่กระจายและแตกต่างกันไปในแต่ละงาน ทุกคนค้นหาวิธีการสั่งงาน การตั้งค่าเอเย่นต์ และการแก้ปัญหาเป็นของตัวเอง วิศวกรการจัดอันดับ AI จัดระเบียบสิ่งนี้ พวกเขาสร้างคู่มือที่ใช้ร่วมกัน การกำหนดค่าที่ใช้ซ้ำ และความรู้ขององค์กรเกี่ยวกับสิ่งที่ทำงานและสิ่งที่ไม่ทำงานในแบบจำลองและกรณีการใช้งานต่างๆ

อุปมานิทานของโชว์รันเนอร์

ผู้กำกับภาพยนตร์ไม่ได้ควบคุมกล้องแสดงในฉากหรือตัดต่อภาพยนตร์ แต่ทุกเฟรมสะท้อนถึงการตัดสินใจของพวกเขา

พวกเขาตัดสินใจเรื่องการวางองค์ประกอบของภาพ การจัดคิว การตั้งโทน พวกเขาตัดสินใจว่าจะเข้าใกล้หรือไกลออกไป พวกเขาตั้งค่าสภาพแวดล้อม (แสง การออกแบบฉาก การบล็อก) เพื่อให้ทุกคนในฉากสามารถทำงานได้ดีที่สุดภายใต้วิสัยทัศน์ที่สอดคล้องกัน ทีมงานมีพรสวรรค์แต่ละคน แต่หากไม่มีการประสานงาน คุณจะได้รับผลลัพธ์ที่ไม่สอดคล้องกันและไม่เคยส่งมอบ

วิศวกรรมการจัดอันดับ AI ทำงานในลักษณะเดียวกัน เอเย่นต์มีความสามารถ แบบจำลองมีพลัง แต่หากไม่มีใครออกแบบระบบที่ประสานงานพวกมัน ระบุข้อจำกัด สร้างวงจรการตรวจสอบ ระบุการทำงานของเอเย่นต์ คุณจะได้รับสิ่งที่ทุกคนเคยสัมผัส: ผลลัพธ์ที่ไม่สอดคล้องกัน การใช้พลังงานที่สูญเปล่า เอเย่นต์ทำงานข้ามจุดประสงค์ และวิศวกรใช้เวลามากขึ้นในการแก้ไขโค้ดที่สร้างโดย AI มากกว่าที่พวกเขาจะใช้ในการเขียนโค้ดด้วยตนเอง

ทำไมองค์กรส่วนใหญ่จึงลงทุนไม่เพียงพอ

สิ่งที่ฉันเห็นในอุตสาหกรรมคือ บริษัทต่างๆ ลงทุนอย่างมากในเครื่องมือ AI แต่ไม่เพียงพอกับการลงทุนในระบบรอบๆ เครื่องมือเหล่านั้น

วิศวกรได้รับเครื่องมือ เช่น Copilot, Claude, Codex พวกเขาทดลองใช้งานเป็นรายบุคคล บางคนกลายเป็นผู้ใช้ที่มีประสิทธิภาพสูง แต่ส่วนใหญ่หยุดอยู่ที่ระดับ “การเติมโค้ดอัตโนมัติ” 20% ของผลผลิตที่การศึกษาบางอย่างรายงานเป็นสัญญาณของการนำเครื่องมือไปใช้โดยไม่มีการคิดที่เป็นระบบ

วิศวกรการจัดอันดับ AI ดูเหมือนอย่างไร

วิศวกรการจัดอันดับ AI อาจมีงานประจำวัน เช่น

• การออกแบบการทำงานของเอเย่นต์: ระบุว่าคำขอ功能จะกลายเป็นข้อกำหนด กลายเป็นแผน กลายเป็นงานที่เอเย่นต์ทำงานขนานกัน กลายเป็นโค้ดที่ตรวจสอบและรวมเข้าด้วยกัน
• การสร้างโครงสร้างพื้นฐานในการตรวจสอบ: การทดสอบอัตโนมัติ กฎการตรวจสอบ การสแกนความปลอดภัย และเฟรมเวิร์กการประเมินที่เอเย่นต์ต้องผ่านก่อนที่จะรวมโค้ดเข้าด้วยกัน
• การรักษาสภาพแวดล้อมของ仓库ให้เหมาะสมสำหรับการบริโภคของเอเย่นต์: เอกสาร การตั้งค่าอินเทอร์เฟซที่ชัดเจน การจัดการความสัมพันธ์ และการทำให้โค้ดเบสเรียบง่าย ซึ่งทั้งหมดได้รับการปรับให้เหมาะสมสำหรับการทำความเข้าใจของเอเย่นต์ ไม่ใช่แค่สำหรับการอ่านของผู้คน
• การรวมกลยุทธ์ในการสั่งงานและการจัดการบริบท: ระบบการสั่งงานที่ใช้ร่วมกัน การจัดเตรียมข้อมูล การตัดสินใจในการเลือกแบบจำลอง และเทมเพลตการกำหนดค่าที่ทีมงานทั้งหมดใช้
• การตรวจสอบและปรับปรุงประสิทธิภาพของเอเย่นต์: การติดตามอัตราความสำเร็จ รูปแบบการล้มเหลว ต้นทุนต่องาน และเวลาที่ใช้ในการรวมโค้ดของเอเย่นต์ทั้งหมด จากนั้นปรับระบบตามข้อมูล

บุคคลนี้นั่งอยู่ที่จุดตัดของวิศวกรรมแพลตฟอร์ม สถาปัตยกรรมซอฟต์แวร์ และความเชี่ยวชาญด้าน AI พวกเขาไม่เขียนฟังก์ชัน พวกเขาสร้างระบบที่ทำให้การนำฟังก์ชันไปใช้เร็ว มีประสิทธิภาพ และมีความน่าเชื่อถือ

รูปแบบทางประวัติศาสตร์

ในยุคแรกๆ ของการคำนวณแบบคลาวด์ การจัดเตรียมการผลิตเป็นงานรองของวิศวกรทุกคน ทีมงานแต่ละทีมมีสคริปต์ การตั้งค่าเซิร์ฟเวอร์ และวิธีการนำโค้ดไปใช้ในการผลิตของตนเอง DevOps เกิดขึ้นเพื่อจัดระเบียบการทำงานนี้ และวิศวกรรมแพลตฟอร์มพัฒนาเพื่อสร้างโครงสร้างพื้นฐานที่ใช้ร่วมกันและบริการตนเอง

AI กำลังตามรูปแบบเดียวกัน ปัจจุบัน การใช้เอเย่นต์เป็นงานรองของวิศวกรทุกคน ทุกคนมีวิธีการสั่งงาน การตั้งค่าเครื่องมือ และแบบจำลองที่แตกต่างกันไป องค์กรที่จัดระเบียบการทำงานนี้ และรักษามันไว้เป็นโครงสร้างพื้นฐาน จะเป็นผู้นำในอุตสาหกรรมในลักษณะเดียวกับที่องค์กรที่มีการปฏิบัติงาน DevOps ที่ดีจะนำหน้าองค์กรที่ไม่มี

เส้นทางไปข้างหน้า

หากคุณเป็นผู้นำด้านวิศวกรรม นี่คือสิ่งที่ฉันแนะนำ แม้ว่าระยะทางของคุณอาจแตกต่างกันไปขึ้นอยู่กับว่าทีมของคุณมีความก้าวหน้ามากเพียงใด

1. ระบุว่าใครทำงานนี้อย่างไม่เป็นทางการในองค์กรของคุณ ทุกองค์กรมีคนอย่างน้อยหนึ่งคน ที่ค้นพบวิธีการทำงานของเอเย่นต์ และให้คำแนะนำแก่วิศวกรคนอื่น ๆ เกี่ยวกับการตั้งค่าเครื่องมือหรือการสั่งงาน บุคคลนั้นคือวิศวกรการจัดอันดับ AI ของคุณ
2. ทำให้การทำงานนี้เป็นเรื่องเป็นทางการ ให้ชื่อหน้าที่ อนุญาติ และจัดสรรทรัพยากร อย่าปล่อยให้การทำงานนี้ยังคงเป็นงานรองของใครบางคน
3. เริ่มต้นด้วยการเตรียม仓库 ก่อนที่จะลงทุนในการทำงานของเอเย่นต์ที่ซับซ้อน ให้แน่ใจว่าโค้ดเบสของคุณเป็นสิ่งที่เอเย่นต์สามารถนำทางได้ อินเทอร์เฟซที่ชัดเจน เอกสารที่ดี การทดสอบที่ครอบคลุม และสถาปัตยกรรมที่เรียบง่าย
4. รวมสิ่งที่ได้ผล เมื่อมีใครสักคนค้นพบกลยุทธ์การสั่งงานหรือรูปแบบการทำงานที่ปรับปรุงผลลัพธ์ของเอเย่นต์อย่างมีนัยสำคัญ ให้บันทึกสิ่งนั้น และทำให้กลายเป็นมาตรฐานสำหรับทีมงานทั้งหมด ไม่ใช่ความรู้ที่ถูกเก็บไว้ในหัวของใครบางคน
5. วัดผลที่ระดับระบบ ไม่เพียงแต่วัดการใช้เครื่องมือแต่ละตัวเท่านั้น แต่วัดจำนวนงานที่เอเย่นต์ทำได้จนเสร็จสิ้น อัตราการตรวจสอบและปรับปรุง และจุดอุดตันที่เกิดขึ้น

วิศวกร 10x ใหม่

ตำนานของวิศวกร 10x มักจะเกี่ยวกับการแสดงออกของบุคคลหนึ่งๆ วิศวกรหนึ่งคน ที่มีผลผลิตมากกว่าคนอื่นๆ มากผ่านความสามารถและความสามารถพิเศษ

ความเป็นจริงของวิศวกร 10x ในยุค AI คือการคิดที่เป็นระบบ บุคคลที่ทำให้วิศวกรและเอเย่นต์ทุกคนมีประสิทธิภาพมากขึ้นโดยการสร้างโครงสร้างพื้นฐานที่ถูกต้อง การทำงานที่ถูกต้อง และข้อจำกัดที่ถูกต้อง

พวกเขาไม่เขียนโค้ด 10 เท่า พวกเขาสร้างระบบที่เขียนโค้ดแทน

ฉันไม่แน่ใจว่าบทบาทนี้จะเกิดขึ้นอย่างแน่นอนตามที่ฉันบรรยายไว้ที่นี่ แต่ฉันค่อนข้างแน่ใจว่าองค์กรที่ค้นพบวิธีการจัดอันดับ (ไม่ว่าจะเรียกมันว่าอะไร) จะเป็นผู้ที่ได้รับผลผลิตที่ทุกคนพูดถึง