Asistente de Código de IA Impulsa Mocks de GraphQL en Expedia, Airbnb

Un asistente de código de IA avanzado está ahora a la vanguardia del desarrollo de GraphQL en importantes empresas tecnológicas, con Expedia Group y Airbnb implementando modelos de lenguaje grandes (LLM) para generar respuestas simuladas de GraphQL. Esta innovación mejora significativamente la productividad del desarrollador al automatizar la creación de datos realistas para las pruebas de API y el desarrollo frontend, incluso cuando los servicios de backend están incompletos.

• Expedia Group ha liberado como código abierto mockql-rs, una CLI de Rust que aprovecha los LLM para la generación de mocks de GraphQL bajo demanda.
• Este enfoque permite a los desarrolladores de software combinar datos de backend en vivo con datos simulados generados por IA dentro de una única respuesta de GraphQL.
• Airbnb introdujo previamente una directiva @generateMock en tiempo de compilación, mostrando diversas estrategias para integrar la IA en los flujos de trabajo de desarrollo.
• La premisa central es que los esquemas de GraphQL proporcionan una «forma» estructurada que los LLM sobresalen en «rellenar», reduciendo drásticamente la creación manual de datos de prueba.

El Asistente de Código de IA Agiliza la Simulación de GraphQL para Desarrolladores

El panorama de las herramientas de IA para desarrolladores continúa expandiéndose, con un avance notable en cómo los desarrolladores de software manejan el desarrollo de API de GraphQL. Expedia Group ha presentado recientemente mockql-rs, una interfaz de línea de comandos (CLI) de código abierto construida en Rust, diseñada para generar respuestas simuladas de GraphQL utilizando modelos de lenguaje grandes en el momento de una solicitud. Esto marca un paso significativo en la IA de codificación, abordando un problema de larga data para los desarrolladores: la creación y el mantenimiento de datos simulados para API en evolución.

Para los desarrolladores de software, el atractivo de este asistente de código de IA es claro. El desarrollo tradicional a menudo implica la elaboración manual de extensos archivos JSON para simular respuestas de API, un proceso que no solo consume mucho tiempo sino que también es propenso a quedar obsoleto con cada cambio de esquema. Samuel Vazquez, ingeniero de software en Expedia Group, destaca que los modelos de IA generativa, aunque son deficientes para inventar estructuras completamente nuevas, son excepcionalmente buenos para poblar las existentes. Un esquema de GraphQL proporciona esta estructura precisa y delimitada, permitiendo que la IA la complete con datos relevantes y realistas.

Cómo mockql-rs de Expedia Mejora la Productividad del Desarrollador

mockql-rs de Expedia opera como un intermediario, situándose entre la aplicación cliente y el servidor backend. Los desarrolladores de software pueden anotar campos específicos dentro de sus consultas GraphQL con una directiva @mock, proporcionando opcionalmente una pista para guiar la generación de la IA. La herramienta luego analiza y valida inteligentemente la operación contra el esquema, utilizando herramientas como apollo-compiler.

Fundamentalmente, mockql-rs distingue entre campos simulados anotados y campos reales. Reenvía las solicitudes de datos reales al backend real, mientras que simultáneamente solicita al LLM la operación y un subconjunto relevante del esquema para los campos simulados. El resultado es una respuesta fusionada sin problemas donde los datos de backend en vivo coexisten con los datos generados por IA. Esta capacidad significa que un desarrollador puede recibir una única respuesta completa que contiene detalles de propiedades reales de un backend junto con recomendaciones generadas para una característica cuyo resolver aún no está construido, acelerando significativamente los ciclos de iteración y la productividad general de la IA para desarrolladores.

La decisión de Expedia de implementar esto como una CLI fue estratégica, asegurando una amplia accesibilidad. Cualquier ejecutor de pruebas, trabajo de integración continua (CI) o script de compilación puede ejecutar fácilmente el proceso, evitando complejas dependencias de SDK o bibliotecas cliente. Esta elección de diseño lo convierte en una adición versátil al conjunto de herramientas de un desarrollador de software, potencialmente rivalizando con la utilidad de otras herramientas de generación de código de IA al centrarse en un problema específico de alto valor.

Enfoques Divergentes para Mocks de GraphQL Impulsados por IA

Si bien mockql-rs de Expedia Group representa una solución en tiempo de ejecución, no es el único enfoque impulsado por IA para la simulación de GraphQL. Airbnb, por ejemplo, introdujo su propia directiva @generateMock en abril, que opera en tiempo de compilación. El método de Airbnb implica procesar la directiva durante la generación de código, produciendo tanto un archivo JSON de datos simulados como funciones de acceso tipadas. Esta salida se utiliza luego para aplicaciones de demostración, pruebas de instantáneas y pruebas unitarias, con el generador preservando inteligentemente las ediciones manuales en ejecuciones posteriores.

Ilustrando aún más las diversas perspectivas, la GraphQL Foundation también abrió una RFC (Solicitud de Comentarios) en febrero, proponiendo un tercer diseño distinto. Esta RFC define una directiva @mock a nivel de operación, en lugar de en campos individuales, permitiendo la selección de respuestas simuladas con nombre. Un requisito clave de la RFC es que un cliente conforme debe devolver un mock sin iniciar ninguna solicitud de red, con las respuestas simuladas residiendo en un directorio dedicado __graphql_mocks__. Estas tres implementaciones distintas, a pesar de compartir un objetivo común, resaltan la exploración continua dentro de la comunidad de desarrolladores sobre la mejor manera de integrar la generación de código de IA en los flujos de trabajo de GraphQL, presentando a los desarrolladores de software diferentes opciones a considerar.

¿Cuál es el Impacto Más Amplio en las Herramientas de IA para Desarrolladores?

La aparición de estas soluciones de simulación de GraphQL impulsadas por LLM de líderes de la industria como Expedia y Airbnb subraya una tendencia creciente en las herramientas de IA para desarrolladores. Esta aplicación especializada de la tecnología de asistente de código de IA demuestra cómo los modelos de lenguaje grandes están yendo más allá de la finalización general de código, como la que ofrecen GitHub Copilot o Tabnine, hacia roles más específicos de dominio y que mejoran el flujo de trabajo. Para los desarrolladores de software, esto significa menos tiempo dedicado a código repetitivo y más enfoque en la lógica central y la innovación.

Este desarrollo también podría influir en la evolución de otras soluciones de IA de codificación y alternativas a GitHub Copilot. A medida que los modelos de IA se vuelven más expertos en comprender y manipular datos estructurados basados en esquemas, podríamos ver capacidades de generación inteligente similares aplicadas a otras especificaciones de API o modelos de datos. La capacidad de generar datos realistas y conscientes del contexto bajo demanda representa un salto significativo para la productividad de la IA para desarrolladores, reduciendo potencialmente el tiempo de depuración y acelerando la entrega de nuevas características. Los desarrolladores de software están ganando poderosos aliados en sus tareas diarias, transformando cómo se construyen y prueban las aplicaciones.

Una conclusión práctica para los desarrolladores de software es explorar cómo la integración de herramientas de generación de mocks impulsadas por IA puede reducir drásticamente la configuración manual de datos, permitiendo una iteración más rápida y pruebas más robustas de los componentes frontend, incluso en ausencia de servicios backend completamente implementados. Este cambio empodera a los equipos para desarrollar en paralelo de manera más efectiva.