Jak AI na zawsze zmieniło tworzenie oprogramowania — Budowanie przyszłości agentowej z Andre Baltieri [MVP]

Sztuczna inteligencja zmienia tworzenie oprogramowania w tempie, jakiego wcześniej rzadko doświadczaliśmy.Programiści przeszli już od pisania każdej linii kodu samodzielnie do pracy z asystentami AI, którzy potrafią generować kod, wyjaśniać nieznane systemy, tworzyć testy, debugować aplikacje i automatyzować powtarzalne zadania.Według Microsoft MVP Andre Baltieri to jednak dopiero początek.W tym odcinku M365.FM Mirko Peters rozmawia z Andre o przejściu od tradycyjnego tworzenia oprogramowania do programowania wspomaganego przez AI, agentach kodujących, architekturach agentowych, Microsoft Agent Framework, .NET, RAG, inżynierii kontekstu, bezpieczeństwie oraz ekonomii generatywnej AI.

OD .NET W 2003 ROKU DO ERY AI
Andre cofa nas do początków .NET i C#, kiedy nauka nowej technologii Microsoft często oznaczała zakup oficjalnych szkoleń i podróż do innego miasta.Od tego czasu tworzenie oprogramowania przeszło przez aplikacje desktopowe, webowe, mobilne, chmurowe, kontenery, mikrousługi i obliczenia bezserwerowe.Andre twierdzi, że przejście do AI wydaje się zasadniczo inne. Zamiast po prostu wprowadzić kolejną platformę lub framework, AI wprowadza nowy sposób interakcji ludzi z oprogramowaniem.

ASYSTENCI AI A AGENCI KODUJĄCY
Istnieje istotna różnica między posiadaniem asystenta AI w IDE a powierzeniem pracy agentowi.Asystent może wyjaśniać kod, sugerować refaktoryzację, odpowiadać na pytania i pomagać programistom zrozumieć ich aplikacje.Agent może otrzymać cel, stworzyć plan, podzielić pracę na mniejsze zadania, korzystać z narzędzi, koordynować dodatkowych agentów i implementować znaczące części rozwiązania.Andre wyjaśnia, jak to już zmienia jego własny workflow programistyczny, ponieważ AI generuje teraz dużą część kodu, który wcześniej pisałby ręcznie.

SPEC-DRIVEN SOFTWARE DEVELOPMENT
Wraz ze wzrostem możliwości agentów specyfikacje stają się coraz ważniejsze.Zamiast opisywać każdy szczegół implementacji, programiści mogą definiować wymagania, architekturę, ograniczenia i oczekiwane zachowanie, a agenci sami określają, jak zrealizować poszczególne części.To przesuwa uwagę programisty z samego tworzenia kodu w stronę definiowania tego, co należy zbudować i dlaczego.

MICROSOFT AGENT FRAMEWORK
Rozmowa przechodzi do Microsoft Agent Framework i jego roli w wprowadzaniu możliwości AI do istniejących aplikacji.Andre wyjaśnia, że framework łączy funkcje związane z Semantic Kernel i AutoGen oraz dostarcza deweloperom narzędzia do łączenia modeli, orkiestracji przepływów pracy, korzystania z MCP, implementacji RAG, obsługi ingestii danych oraz udostępniania funkcjonalności aplikacji sztucznej inteligencji.Dla programistów .NET może to znacząco zmniejszyć ilość kodu integracyjnego.

DLACZEGO .NET WCIĄŻ MA ZNACZENIE W ERZE AI
Python pozostaje jednym z dominujących języków w tworzeniu AI, ale Andre zdecydowanie twierdzi, że .NET i C# są bardzo dobrze przygotowane do korporacyjnych aplikacji AI.NET nadal szybko się rozwija, a narzędzia AI Microsoftu coraz bardziej dają deweloperom C# natywny dostęp do nowoczesnych możliwości AI.Organizacje, które od lat mają logikę biznesową zaimplementowaną w .NET, mogą więc mieć znaczącą przewagę: niekoniecznie muszą przebudowywać wszystko, aby wprowadzić AI.Istniejące funkcjonalności mogą zamiast tego być selektywnie udostępniane agentom i aplikacjom opartym na AI.

OD OPROGRAMOWANIA DETERMINISTYCZNEGO DO SYSTEMÓW AGENTOWYCH
Tradycyjne aplikacje są w dużej mierze deterministyczne:Jeśli zajdzie X, wykonaj Y.Systemy agentowe wprowadzają inny model:Oto cel. Ustal, jakie działania są potrzebne, aby go osiągnąć.To znacząca zmiana architektoniczna.Zamiast jawnie definiować każdą możliwą ścieżkę, programiści coraz częściej definiują cele, narzędzia, kontekst, uprawnienia, ograniczenia i granice, w których AI może działać.

WZORCE PROJEKTOWE NIE UMARŁY
Kod generowany przez AI nie eliminuje dziesięcioleci wiedzy inżynierskiej.Czysty kod, łatwość utrzymania, testowanie, architektura i wzorce projektowe pozostają ważne, ponieważ AI często uczy się implementować nową funkcjonalność, analizując istniejącą bazę kodu.Niechlujny kod może zatem prowadzić do jeszcze bardziej niechlujnego kodu.Programiści nadal muszą rozumieć architekturę i zasady inżynierskie, nawet gdy agent AI wykonuje większość implementacji.

PROBLEM STOCHASTYCZNEGO OPROGRAMOWANIA
Tradycyjni programiści oczekują, że identyczne dane wejściowe dadzą identyczne wyniki.Generatywna AI jest probabilistyczna.Te same żądania mogą przynieść różne implementacje, odpowiedzi lub zachowania przy kolejnych wykonaniach.Andre omawia, dlaczego wymaga to przemyślenia testowania i walidacji oraz dlaczego silne zabezpieczenia (guardrails) stają się coraz ważniejsze, gdy funkcjonalność AI jest udostępniana dużej liczbie użytkowników.

INŻYNIERIA KONTEKSTU JEST WAŻNIEJSZA NIŻ PROMPTOWANIE
Wybór najnowszego modelu nie jest koniecznie najważniejszą decyzją.Andre twierdzi, że kontekst jest wszystkim.Programiści muszą dobrze rozumieć zarówno problem biznesowy, jak i środowisko techniczne, aby dostarczyć AI właściwe informacje.Zbyt mały kontekst daje słabe wyniki.Zbyt duży kontekst może przytłoczyć model.Wyzwaniem jest znalezienie informacji, które naprawdę mają znaczenie.

RAG, DANE I OKNO KONTEKSTOWE
Retrieval-Augmented Generation staje się szczególnie ważny, gdy organizacje chcą, aby systemy AI pracowały z ich własną wiedzą.Budowa systemu RAG nie polega jednak tylko na wrzuceniu dokumentów do bazy wektorowej.Dane muszą zostać oczyszczone, ustrukturyzowane, podzielone na fragmenty (chunking), pobrane i inteligentnie wstawione do kontekstu modelu.Andre dzieli się przykładem ze swojej platformy edukacyjnej, gdzie lekcje wideo były transkrybowane i indeksowane, aby użytkownicy mogli wyszukiwać pojęcia i przechodzić bezpośrednio do właściwego momentu w filmie.

PAMIĘĆ I ZARZĄDZANIE KONTEKSTEM AI
Długotrwałe rozmowy z AI tworzą kolejne wyzwanie: pamięć.Gdy okno kontekstowe się zapełnia, rozmowy trzeba podsumowywać lub kompaktować.Andre wyjaśnia, dlaczego programiści powinni aktywnie zarządzać tym procesem, zamiast zakładać, że system AI zawsze zachowa najważniejsze informacje.Czasem najlepsze rozwiązanie jest zaskakująco proste: zakończyć zadanie, zamknąć rozmowę i zacząć od nowa z czystym kontekstem.Specyfikacje i pliki Markdown mogą też zapewniać trwały kontekst projektu dla agentów kodujących.

BEZPIECZEŃSTWO, UPRAWNIENIA I ZASADA NAJMNIEJSZYCH UPRAWNIEŃ
Przyznanie agentowi AI dostępu do narzędzi i danych firmowych niesie istotne konsekwencje dla bezpieczeństwa.Andre zaleca traktowanie agentów zgodnie z zasadami podobnymi do tożsamości ludzkich: domyślnie wszystko zamknąć i udostępniać tylko to, czego agent naprawdę potrzebuje.Zamiast dawać systemowi AI nieograniczony dostęp do bazy danych, programiści powinni udostępniać starannie kontrolowane funkcje, które zwracają tylko informacje potrzebne do konkretnego zadania.Staje się to szczególnie istotne, gdy agenci mogą czytać lub modyfikować dane przedsiębiorstwa.

PROMPT INJECTION I ZABEZPIECZENIA AI
Prompt injection tworzy nową powierzchnię ataku dla aplikacji opartych na AI.Użytkownicy mogą celowo manipulować promptami, próbować pobierać informacje spoza zamierzonego kontekstu, zużywać zasoby firmy lub nakłaniać system AI do wykonania działań, których jego twórcy nie przewidzieli.Dyskusja obejmuje znaczenie instrukcji systemowych, ograniczeń na poziomie aplikacji, kontrolowanych funkcji, tożsamości, uprawnień oraz platform takich jak Azure AI Foundry, które pozwalają ustanowić dodatkowe granice bezpieczeństwa.

AI FINOPS — NIE UŻYWAJ GENERATYWNEJ AI DO WSZYSTKIEGO
Jedna z najbardziej praktycznych lekcji z tej rozmowy jest taka, że to, iż AI może wykonać zadanie, nie oznacza, że powinna je wykonywać.Andre rozróżnia obciążenia generatywne i deterministyczne.Jeśli coś musi zawsze zadziałać w ten sam sposób, tradycyjne programowanie może być szybsze, tańsze i bardziej niezawodne.Podaje przykład