Код бичих нь хөгжүүлэлтийн саад байхаа болив: Anthropic "AI-Native SDLC" шинэ гарын авлагыг танилцууллаа

Хөгжүүлэгчид AI агентууд болон туслахуудыг өдөр тутмын ажилдаа нэвтрүүлснээр кодоо урьд өмнө төсөөлж байгаагүй хурдаар бичиж байна. Гэвч бодит байдал дээр бүтээгдэхүүнийг зах зээлд гаргах нийт хугацаа (Time to Market) төдийлөн буурахгүй, олон баг гацаанд орсоор байна.

Anthropic өөрсдийн инженерүүдийн туршлага болон enterprise хэрэглэгчдийнхээ судалгаан дээр үндэслэн "The AI-Native SDLC Playbook" нэртэй цогц удирдамжийг нийтэллээ. Уг гарын авлагын гол мессеж нь маш тодорхой: Програм хангамж хөгжүүлэлтийн амьдралын мөчлөг (SDLC) нь "хүн код бичихэд хамгийн их цаг зарцуулдаг" гэсэн үндсэн дээр зохиогдсон байсан бөгөөд одоо энэ суурь бүхэлдээ нуржээ.

Уламжлалт SDLC яагаад нуран унаж байна вэ?

Уламжлалт SDLC нь төлөвлөлт (Planning), загварчлал (Design), бүтээн байгуулалт (Build), тест (Testing), байршуулалт (Deploy), арчилгаа (Maintenance) гэсэн 6 үндсэн үе шатаас бүрддэг. Энэхүү системд:

Build буюу код бичих үе шат нийт хугацааны 60-80%-ийг эзэлдэг байсан.
Ийм учраас алдаа гаргахаас сэргийлж урт хугацааны PRD (Product Requirement Document), архитектурын нарийн зөвшөөрлүүд, PR review-ийн хатуу дарааллуудыг боловсруулсан.

Гэвч өнөөдөр хиймэл оюунт агентуудын ачаар Build үе шат хэдэн өдөр, цаг, минутын дотор шийдэгдэх боломжтой болсон. Anthropic-ийн мэдээлснээр нэг инженерийн гаргах кодын хэмжээ (code output) сүүлийн нэг жилд даруй 200% өссөн байна.

Үр дүнд нь юу болов?

Review Fatigue (Шалгалтын туйлдалт): Хөгжүүлэгчид хэдэн зуун мөртэй асар олон Pull Request (PR) дээр дарагдаж, кодын логикийг гүн гүнзгий уншихын оронд зүгээр гүйлгэж хараад батлах (skim review) эрсдэл бий болсон.
Bottleneck шилжилт: Гацаа код бичихэд биш, харин агентаас гарч буй кодын архитектур зөв эсэх, QA шалгалт, төслийн хамрах хүрээг (scope) тодорхойлоход шилжсэн.

AI-Native SDLC-ийн гол тулгуур баганууд

Anthropic байгууллагуудад хөгжүүлэлтийн процессоо дараах 4 чиглэлээр сууриар нь шинэчлэхийг зөвлөж байна:

1. Архитектур болон Scoping-д агентуудыг ашиглах

Төслийн эхэн үед бүтээгдэхүүний шаардлагыг зөвхөн хүн боловсруулахын оронд агентаар өмнөх legacy код, API гэрээ, хамаарлуудыг автоматаар уншуулж "Pre-implementation analysis" хийлгэх. Энэ нь кодын өөрчлөлт хаана нөлөөлөхийг урьдчилан мэдэхэд тусална.

2. Multi-Agent Code Review

Хүний нүд алдаж болох corner case болон аюулгүй байдлын цоорхойг илрүүлэхийн тулд олон төрлийн тусгайлсан агентуудаар (жишээ нь: Security agent, Performance agent, Style agent) зэрэгцээ review хийлгэх хэрэгцээ бий болж байна. Ингэснээр инженерүүд хэлбэр хөөсөн жижиг засваруудад цаг үрэхгүй, зөвхөн бизнесийн гол логикт төвлөрөх боломжтой болно.

3. "Context Engineering" бол шинэ архитектур

Агентуудыг сайн ажиллуулах гол нууц нь том prompt биш, харин агент ямар файл, ямар баримт бичиг, өгөгдлийн баазын бүтэцтэй харьцахыг зөв хязгаарлаж (context scoping) өгөхөд оршиж байна. Инженерүүд өдгөө код бичигчээс илүүтэй "Агентын ажиллах хүрээг заагч систем зохион бүтээгч" болж байна.

4. Continuous QA болон Automated Synthetic Testing

Код секундын дотор бичигдэж байгаа тул тест бичих нь өөрөө автоматжих ёстой. E2E болон integration тестүүдийг кодын өөрчлөлт бүрт агент өөрөө шинэчлэн бичиж, staging орчинд тестлэх циклийг хангадаг болох шаардлагатай.

Хөгжүүлэгчдэд юу өөрчлөгдөх вэ?

Энэхүү шилжилт нь хөгжүүлэгчдийн үнэ цэнийг бууруулахгүй, харин эсрэгээрээ инженерчлэлийн жинхэнэ чанарыг дээшлүүлнэ гэдгийг Anthropic онцолжээ. Junior түвшний механик бичиглэлийг хиймэл оюун даах үед инженерүүд:

Системийн архитектурын уян хатан байдал,
Өгөгдлийн урсгал болон аюулгүй байдал,
Бүтээгдэхүүний бизнес logic болон хэрэглэгчийн туршлагад (UX) илүү их цаг гаргах боломжтой болно.

Эх сурвалж: Anthropic Engineering Blog - The AI-Native SDLC Playbook