KI-Code-Assistent unterstützt GraphQL-Mocks bei Expedia, Airbnb

Ein fortschrittlicher KI-Code-Assistent steht nun an vorderster Front der GraphQL-Entwicklung bei großen Technologieunternehmen, wobei Expedia Group und Airbnb große Sprachmodelle (LLMs) implementieren, um simulierte GraphQL-Antworten zu generieren. Diese Innovation steigert die Entwicklerproduktivität erheblich, indem sie die Erstellung realistischer Daten für API-Tests und die Frontend-Entwicklung automatisiert, selbst wenn Backend-Dienste unvollständig sind.

• Expedia Group hat mockql-rs, ein Rust CLI, das LLMs für die On-Demand-Generierung von GraphQL-Mocks nutzt, als Open Source veröffentlicht.
• Dieser Ansatz ermöglicht es Software Developers, Live-Backend-Daten mit KI-generierten Mock-Daten innerhalb einer einzigen GraphQL-Antwort zu kombinieren.
• Airbnb führte zuvor eine Build-Time-Direktive @generateMock ein, die verschiedene Strategien zur Integration von KI in Entwicklungs-Workflows aufzeigt.
• Die Kernprämisse ist, dass GraphQL-Schemata eine strukturierte „Form“ bieten, die LLMs hervorragend „ausfüllen“ können, wodurch die manuelle Erstellung von Daten-Fixtures drastisch reduziert wird.

KI-Code-Assistent optimiert GraphQL-Mocking für Entwickler

Die Landschaft der KI-Tools für Entwickler wächst weiter, mit einem bemerkenswerten Fortschritt in der Art und Weise, wie Software Developers die GraphQL API-Entwicklung handhaben. Expedia Group hat kürzlich mockql-rs vorgestellt, ein Open-Source-Command-Line Interface (CLI), das in Rust entwickelt wurde und darauf ausgelegt ist, GraphQL-Mock-Antworten mithilfe großer Sprachmodelle zum Zeitpunkt einer Anfrage zu generieren. Dies stellt einen bedeutenden Schritt nach vorne in der Coding AI dar und adressiert einen langjährigen Schmerzpunkt für Entwickler: die Erstellung und Pflege von Mock-Daten für sich entwickelnde APIs.

Für Software Developers ist der Reiz dieses KI-Code-Assistenten klar. Die traditionelle Entwicklung beinhaltet oft das manuelle Erstellen umfangreicher JSON-Fixtures, um API-Antworten zu simulieren – ein Prozess, der nicht nur zeitaufwändig ist, sondern auch bei jeder Schemaänderung veraltet werden kann. Samuel Vazquez, ein Softwareentwickler bei Expedia Group, betont, dass generative KI-Modelle, obwohl sie schlecht darin sind, völlig neue Strukturen zu erfinden, außergewöhnlich gut darin sind, bestehende zu bevölkern. Ein GraphQL-Schema bietet diese präzise, begrenzte Struktur, die es der KI ermöglicht, sie mit relevanten, realistischen Daten zu füllen.

Wie Expedias mockql-rs die Entwicklerproduktivität steigert

Expedias mockql-rs fungiert als Vermittler, der zwischen der Client-Anwendung und dem Backend-Server sitzt. Software Developers können spezifische Felder innerhalb ihrer GraphQL-Abfragen mit einer @mock-Direktive annotieren und optional einen Hinweis zur Steuerung der KI-Generierung geben. Das Tool parst und validiert dann die Operation intelligent gegen das Schema, wobei Tools wie apollo-compiler verwendet werden.

Entscheidend ist, dass mockql-rs zwischen annotierten Mock-Feldern und echten Feldern unterscheidet. Es leitet die Anfragen für echte Daten an das tatsächliche Backend weiter, während es gleichzeitig das LLM mit der Operation und einer relevanten Untermenge des Schemas für die Mock-Felder versorgt. Das Ergebnis ist eine nahtlos zusammengeführte Antwort, in der Live-Backend-Daten mit KI-generierten Daten koexistieren. Diese Fähigkeit bedeutet, dass ein Entwickler eine einzige, umfassende Antwort erhalten kann, die tatsächliche Immobiliendetails von einem Backend zusammen mit generierten Empfehlungen für eine Funktion enthält, deren Resolver noch nicht erstellt wurde, was Iterationszyklen und die gesamte Entwicklerproduktivität KI erheblich beschleunigt.

Expedias Entscheidung, dies als CLI zu implementieren, war strategisch, um eine breite Zugänglichkeit zu gewährleisten. Jeder Test-Runner, Continuous Integration (CI)-Job oder Build-Skript kann den Prozess problemlos ausführen, wodurch komplexe SDK- oder Client-Bibliotheksabhängigkeiten vermieden werden. Diese Designwahl macht es zu einer vielseitigen Ergänzung des Toolkits eines Software Developers und könnte den Nutzen anderer KI-Code-Generierungstools übertreffen, indem es sich auf ein spezifisches, hochrelevantes Problem konzentriert.

Divergierende Ansätze für KI-gestützte GraphQL-Mocks

Während Expedia Groups mockql-rs eine Laufzeitlösung darstellt, ist es nicht der einzige KI-gesteuerte Ansatz für GraphQL-Mocking. Airbnb führte beispielsweise im April seine eigene @generateMock-Direktive ein, die zur Build-Zeit arbeitet. Airbnbs Methode beinhaltet die Verarbeitung der Direktive während der Codegenerierung, wobei sowohl eine JSON-Datei mit Mock-Daten als auch typisierte Zugriffsfunktionen erzeugt werden. Diese Ausgabe wird dann für Demo-Anwendungen, Snapshot-Tests und Unit-Tests verwendet, wobei der Generator manuelle Bearbeitungen bei nachfolgenden Ausführungen intelligent beibehält.

Um die unterschiedlichen Perspektiven weiter zu veranschaulichen, eröffnete die GraphQL Foundation im Februar auch einen RFC (Request for Comments), der ein drittes, eigenständiges Design vorschlägt. Dieser RFC definiert eine @mock-Direktive auf Operationsebene und nicht auf einzelnen Feldern, was die Auswahl benannter Mock-Antworten ermöglicht. Eine zentrale Anforderung des RFC ist, dass ein konformer Client einen Mock zurückgeben sollte, ohne eine Netzwerkanfrage zu initiieren, wobei Mock-Antworten in einem dedizierten __graphql_mocks__-Verzeichnis liegen. Diese drei unterschiedlichen Implementierungen, obwohl sie ein gemeinsames Ziel teilen, unterstreichen die fortlaufende Erkundung innerhalb der Entwicklergemeinschaft, wie KI-Codegenerierung am besten in GraphQL-Workflows integriert werden kann, und bieten Software Developers verschiedene Optionen zur Berücksichtigung.

Welche breiteren Auswirkungen haben KI-Tools für Entwickler?

Das Aufkommen dieser LLM-gestützten GraphQL-Mocking-Lösungen von Branchenführern wie Expedia und Airbnb unterstreicht einen wachsenden Trend bei KI-Tools für Entwickler. Diese spezialisierte Anwendung der KI-Code-Assistenten-Technologie zeigt, wie große Sprachmodelle über die allgemeine Code-Vervollständigung, wie sie von GitHub Copilot oder Tabnine angeboten wird, hinaus in domänenspezifischere, Workflow-verbessernde Rollen vordringen. Für Software Developers bedeutet dies weniger Zeit für Boilerplate und mehr Fokus auf Kernlogik und Innovation.

Diese Entwicklung könnte auch die Evolution anderer Coding AI-Lösungen und GitHub Copilot-Alternativen beeinflussen. Da KI-Modelle immer geschickter darin werden, strukturierte Daten auf der Grundlage von Schemata zu verstehen und zu manipulieren, könnten wir ähnliche intelligente Generierungsfähigkeiten bei anderen API-Spezifikationen oder Datenmodellen sehen. Die Fähigkeit, realistische, kontextbezogene Daten bei Bedarf zu generieren, stellt einen bedeutenden Sprung für die Entwicklerproduktivität KI dar, der potenziell die Debugging-Zeit verkürzt und die Bereitstellung neuer Funktionen beschleunigt. Software Developers gewinnen mächtige Verbündete bei ihren täglichen Aufgaben und verändern die Art und Weise, wie Anwendungen erstellt und getestet werden.

Eine praktische Erkenntnis für Software Developers ist es, zu untersuchen, wie die Integration von KI-gesteuerten Mock-Generierungstools den manuellen Datenaufbau drastisch reduzieren kann, was schnellere Iterationen und robustere Tests von Frontend-Komponenten ermöglicht, selbst wenn Backend-Dienste noch nicht vollständig implementiert sind. Diese Verschiebung befähigt Teams, effektiver parallel zu entwickeln.