مساعد كود الذكاء الاصطناعي يدعم نماذج GraphQL الوهمية في Expedia و Airbnb

أصبح مساعد كود الذكاء الاصطناعي المتقدم في طليعة تطوير GraphQL في شركات التكنولوجيا الكبرى، حيث تقوم Expedia Group و Airbnb بتطبيق نماذج لغوية كبيرة (LLMs) لإنشاء استجابات GraphQL وهمية. يعزز هذا الابتكار إنتاجية المطورين بشكل كبير من خلال أتمتة إنشاء بيانات واقعية لاختبار واجهات برمجة التطبيقات (API) وتطوير الواجهة الأمامية، حتى عندما تكون خدمات الواجهة الخلفية غير مكتملة.

• قامت Expedia Group بفتح مصدر mockql-rs، وهو واجهة سطر أوامر (CLI) مبنية بلغة Rust تستفيد من نماذج LLMs لإنشاء نماذج GraphQL وهمية عند الطلب.
• يتيح هذا النهج لمطوري البرمجيات دمج بيانات الواجهة الخلفية الحية مع بيانات وهمية تم إنشاؤها بواسطة الذكاء الاصطناعي ضمن استجابة GraphQL واحدة.
• قدمت Airbnb سابقًا توجيه @generateMock وقت البناء، مما يعرض استراتيجيات متنوعة لدمج الذكاء الاصطناعي في سير عمل التطوير.
• الفرضية الأساسية هي أن مخططات GraphQL توفر “شكلًا” منظمًا تتفوق نماذج LLMs في “ملئه”، مما يقلل بشكل كبير من إنشاء تركيبات البيانات اليدوية.

مساعد كود الذكاء الاصطناعي يبسط إنشاء نماذج GraphQL الوهمية للمطورين

يتواصل توسع مشهد أدوات الذكاء الاصطناعي للمطورين، مع تقدم ملحوظ في كيفية تعامل مطوري البرمجيات مع تطوير واجهات برمجة تطبيقات GraphQL. كشفت Expedia Group مؤخرًا عن mockql-rs، وهي واجهة سطر أوامر (CLI) مفتوحة المصدر مبنية بلغة Rust، مصممة لإنشاء استجابات GraphQL وهمية باستخدام نماذج لغوية كبيرة وقت الطلب. يمثل هذا خطوة مهمة إلى الأمام في برمجة الذكاء الاصطناعي، حيث يعالج نقطة ألم طويلة الأمد للمطورين: إنشاء وصيانة البيانات الوهمية لواجهات برمجة التطبيقات المتطورة.

بالنسبة لمطوري البرمجيات، فإن جاذبية مساعد كود الذكاء الاصطناعي هذا واضحة. غالبًا ما يتضمن التطوير التقليدي صياغة يدوية لتركيبات JSON واسعة النطاق لمحاكاة استجابات واجهة برمجة التطبيقات، وهي عملية ليست مستهلكة للوقت فحسب، بل عرضة أيضًا للتقادم مع كل تغيير في المخطط. يسلط صموئيل فاسكيز، مهندس برمجيات في Expedia Group، الضوء على أن نماذج الذكاء الاصطناعي التوليدية، بينما هي ضعيفة في اختراع هياكل جديدة تمامًا، فهي جيدة بشكل استثنائي في ملء الهياكل الموجودة. يوفر مخطط GraphQL هذا الهيكل الدقيق والمحدد، مما يسمح للذكاء الاصطناعي بملئه ببيانات ذات صلة وواقعية.

كيف يعزز mockql-rs من Expedia إنتاجية المطورين

يعمل mockql-rs من Expedia كوسيط، حيث يجلس بين تطبيق العميل وخادم الواجهة الخلفية. يمكن لمطوري البرمجيات إضافة تعليقات توضيحية لحقول محددة داخل استعلامات GraphQL الخاصة بهم باستخدام توجيه @mock، مع توفير تلميح اختياري لتوجيه إنشاء الذكاء الاصطناعي. ثم يقوم الأداة بتحليل العملية والتحقق من صحتها بذكاء مقابل المخطط، باستخدام أدوات مثل apollo-compiler.

الأهم من ذلك، يميز mockql-rs بين حقول النماذج الوهمية المعنونة والحقول الحقيقية. يقوم بإعادة توجيه طلبات البيانات الحقيقية إلى الواجهة الخلفية الفعلية، بينما يقوم في الوقت نفسه بتوجيه نموذج LLM بالعملية ومجموعة فرعية ذات صلة من المخطط لحقول النماذج الوهمية. والنتيجة هي استجابة مدمجة بسلاسة حيث تتعايش بيانات الواجهة الخلفية الحية مع البيانات التي تم إنشاؤها بواسطة الذكاء الاصطناعي. تعني هذه الإمكانية أن المطور يمكنه تلقي استجابة واحدة وشاملة تحتوي على تفاصيل الملكية الفعلية من الواجهة الخلفية جنبًا إلى جنب مع التوصيات التي تم إنشاؤها لميزة لم يتم بناء محللها بعد، مما يسرع بشكل كبير دورات التكرار وإنتاجية المطور الإجمالية للذكاء الاصطناعي.

كان قرار Expedia بتنفيذ هذا كواجهة سطر أوامر (CLI) استراتيجيًا، مما يضمن إمكانية الوصول الواسعة. يمكن لأي مشغل اختبار، أو مهمة تكامل مستمر (CI)، أو برنامج نصي للبناء تنفيذ العملية بسهولة، وتجنب تبعيات SDK المعقدة أو مكتبة العميل. يجعل هذا الاختيار التصميمي إضافة متعددة الاستخدامات إلى مجموعة أدوات مطور البرمجيات، ومن المحتمل أن ينافس فائدة أدوات إنشاء كود الذكاء الاصطناعي الأخرى من خلال التركيز على مشكلة محددة وذات قيمة عالية.

مناهج متباينة لنماذج GraphQL الوهمية المدعومة بالذكاء الاصطناعي

بينما يمثل mockql-rs من Expedia Group حلاً وقت التشغيل، فإنه ليس النهج الوحيد المدفوع بالذكاء الاصطناعي لإنشاء نماذج GraphQL الوهمية. على سبيل المثال، قدمت Airbnb توجيهها الخاص @generateMock في أبريل، والذي يعمل وقت البناء. تتضمن طريقة Airbnb معالجة التوجيه أثناء إنشاء الكود، مما ينتج عنه ملف JSON لبيانات وهمية ووظائف وصول مكتوبة. ثم يتم استخدام هذا الإخراج لتطبيقات العرض التوضيحي، واختبارات اللقطات (snapshot tests)، واختبارات الوحدات (unit tests)، مع الحفاظ على التعديلات اليدوية بذكاء في التشغيلات اللاحقة.

ولزيادة توضيح وجهات النظر المختلفة، افتتحت مؤسسة GraphQL أيضًا طلب تعليقات (RFC) في فبراير، مقترحة تصميمًا ثالثًا مميزًا. يحدد هذا الـ RFC توجيه @mock على مستوى العملية، بدلاً من الحقول الفردية، مما يسمح باختيار استجابات وهمية مسماة. أحد المتطلبات الرئيسية للـ RFC هو أن العميل المتوافق يجب أن يعيد نموذجًا وهميًا دون بدء أي طلب شبكة، مع وجود الاستجابات الوهمية في دليل مخصص __graphql_mocks__. تسلط هذه التطبيقات الثلاثة المتميزة، على الرغم من تشاركها هدفًا مشتركًا، الضوء على الاستكشاف المستمر داخل مجتمع المطورين حول أفضل طريقة لدمج إنشاء كود الذكاء الاصطناعي في سير عمل GraphQL، مما يقدم لمطوري البرمجيات خيارات مختلفة للنظر فيها.

ما هو التأثير الأوسع على أدوات الذكاء الاصطناعي للمطورين؟

يؤكد ظهور حلول إنشاء نماذج GraphQL الوهمية المدعومة بنماذج LLM من قادة الصناعة مثل Expedia و Airbnb على اتجاه متزايد في أدوات الذكاء الاصطناعي للمطورين. يوضح هذا التطبيق المتخصص لتقنية مساعد كود الذكاء الاصطناعي كيف تنتقل نماذج اللغة الكبيرة إلى ما هو أبعد من إكمال الكود العام، مثل ما يقدمه GitHub Copilot أو Tabnine، إلى أدوار أكثر تخصصًا في المجال وتعزيز سير العمل. بالنسبة لمطوري البرمجيات، هذا يعني وقتًا أقل يقضى في الكود المتكرر ومزيدًا من التركيز على المنطق الأساسي والابتكار.

يمكن أن يؤثر هذا التطور أيضًا على تطور حلول برمجة الذكاء الاصطناعي الأخرى وبدائل GitHub Copilot. مع تزايد براعة نماذج الذكاء الاصطناعي في فهم البيانات المنظمة ومعالجتها بناءً على المخططات، قد نرى قدرات توليد ذكية مماثلة مطبقة على مواصفات واجهات برمجة التطبيقات أو نماذج البيانات الأخرى. تمثل القدرة على إنشاء بيانات واقعية وواعية بالسياق عند الطلب قفزة كبيرة في إنتاجية المطورين بالذكاء الاصطناعي، مما قد يقلل من وقت تصحيح الأخطاء ويسرع تسليم الميزات الجديدة. يكتسب مطورو البرمجيات حلفاء أقوياء في مهامهم اليومية، مما يحول طريقة بناء التطبيقات واختبارها.

الخلاصة العملية لمطوري البرمجيات هي استكشاف كيف يمكن لدمج أدوات إنشاء النماذج الوهمية المدفوعة بالذكاء الاصطناعي أن يقلل بشكل كبير من إعداد البيانات اليدوي، مما يسمح بتكرار أسرع واختبار أكثر قوة لمكونات الواجهة الأمامية، حتى في غياب خدمات الواجهة الخلفية المنفذة بالكامل. يمكّن هذا التحول الفرق من التطوير بالتوازي بشكل أكثر فعالية.