AI-помощник по коду обеспечивает моки GraphQL в Expedia, Airbnb

Продвинутый AI-помощник по коду теперь находится на переднем крае разработки GraphQL в крупных технологических компаниях: Expedia Group и Airbnb внедряют большие языковые модели (LLMs) для генерации фиктивных ответов GraphQL. Это нововведение значительно повышает производительность разработчиков, автоматизируя создание реалистичных данных для тестирования API и разработки внешнего интерфейса, даже когда бэкенд-сервисы еще не завершены.

• Expedia Group открыла исходный код mockql-rs — CLI на Rust, использующий LLMs для генерации моков GraphQL по запросу.
• Этот подход позволяет Software Developers объединять реальные данные бэкенда с AI-генерированными фиктивными данными в одном ответе GraphQL.
• Airbnb ранее представила директиву @generateMock, работающую во время сборки, демонстрируя разнообразные стратегии интеграции AI в рабочие процессы разработки.
• Основная предпосылка заключается в том, что схемы GraphQL предоставляют структурированную «форму», которую LLMs отлично «заполняют», значительно сокращая ручное создание фиктивных данных.

AI-помощник по коду упрощает мокинг GraphQL для разработчиков

Ландшафт AI-инструментов для разработчиков продолжает расширяться, с заметным прогрессом в том, как Software Developers управляют разработкой GraphQL API. Expedia Group недавно представила mockql-rs — интерфейс командной строки (CLI) с открытым исходным кодом, созданный на Rust и предназначенный для генерации фиктивных ответов GraphQL с использованием больших языковых моделей во время запроса. Это знаменует собой значительный шаг вперед в coding AI, решая давнюю проблему для разработчиков: создание и поддержание фиктивных данных для развивающихся API.

Для Software Developers привлекательность этого AI-помощника по коду очевидна. Традиционная разработка часто включает ручное создание обширных JSON-фикстур для имитации ответов API — процесс, который не только занимает много времени, но и подвержен устареванию при каждом изменении схемы. Сэмюэл Васкес, инженер-программист в Expedia Group, подчеркивает, что генеративные AI-модели, хотя и плохо справляются с изобретением совершенно новых структур, исключительно хорошо заполняют существующие. Схема GraphQL обеспечивает эту точную, ограниченную структуру, позволяя AI заполнять ее релевантными, реалистичными данными.

Как mockql-rs от Expedia повышает производительность разработчиков

mockql-rs от Expedia работает как посредник, находясь между клиентским приложением и бэкенд-сервером. Software Developers могут аннотировать определенные поля в своих GraphQL-запросах директивой @mock, опционально предоставляя подсказку для управления генерацией AI. Затем инструмент интеллектуально анализирует и проверяет операцию на соответствие схеме, используя такие инструменты, как apollo-compiler.

Критически важно, что mockql-rs различает аннотированные фиктивные поля и реальные поля. Он перенаправляет запросы на реальные данные вверх по потоку к фактическому бэкенду, одновременно предоставляя LLM операцию и соответствующее подмножество схемы для фиктивных полей. Результатом является бесшовно объединенный ответ, где реальные данные бэкенда сосуществуют с AI-генерированными данными. Эта возможность означает, что разработчик может получить единый, всеобъемлющий ответ, содержащий фактические детали свойств из бэкенда наряду с сгенерированными рекомендациями для функции, резолвер которой еще не создан, что значительно ускоряет циклы итераций и общую developer productivity AI.

Решение Expedia реализовать это как CLI было стратегическим, обеспечивая широкую доступность. Любой тестовый раннер, задача непрерывной интеграции (CI) или скрипт сборки может легко выполнить этот процесс, избегая сложных зависимостей SDK или клиентских библиотек. Этот выбор дизайна делает его универсальным дополнением к набору инструментов Software Developer, потенциально конкурируя с полезностью других AI code generation tools, сосредоточившись на конкретной, высокоценной проблеме.

Различные подходы к AI-управляемым мокам GraphQL

Хотя mockql-rs от Expedia Group представляет собой решение для времени выполнения, это не единственный AI-управляемый подход к мокингу GraphQL. Airbnb, например, представила свою собственную директиву @generateMock в апреле, которая работает во время сборки. Метод Airbnb включает обработку директивы во время генерации кода, производя как JSON-файл фиктивных данных, так и типизированные функции доступа. Этот вывод затем используется для демонстрационных приложений, snapshot-тестов и модульных тестов, при этом генератор интеллектуально сохраняет ручные изменения при последующих запусках.

Далее иллюстрируя различные точки зрения, GraphQL Foundation также открыла RFC (Request for Comments) в феврале, предлагая третий отличный дизайн. Этот RFC определяет директиву @mock на уровне операции, а не на отдельных полях, что позволяет выбирать именованные фиктивные ответы. Ключевое требование RFC заключается в том, что соответствующий клиент должен возвращать мок без инициирования какого-либо сетевого запроса, при этом фиктивные ответы должны находиться в выделенной директории __graphql_mocks__. Эти три различных реализации, несмотря на общую цель, подчеркивают продолжающиеся исследования в сообществе разработчиков по наилучшему способу интеграции AI code generation в рабочие процессы GraphQL, предоставляя Software Developers различные варианты для рассмотрения.

Каково более широкое влияние на AI-инструменты для разработчиков?

Появление этих LLM-управляемых решений для мокинга GraphQL от лидеров отрасли, таких как Expedia и Airbnb, подчеркивает растущую тенденцию в AI-инструментах для разработчиков. Это специализированное применение технологии AI-помощника по коду демонстрирует, как большие языковые модели выходят за рамки общего автодополнения кода, подобного тому, что предлагают GitHub Copilot или Tabnine, и переходят к более предметно-ориентированным ролям, улучшающим рабочие процессы. Для Software Developers это означает меньше времени, затрачиваемого на шаблонный код, и больше внимания основной логике и инновациям.

Это развитие также может повлиять на эволюцию других coding AI решений и альтернатив GitHub Copilot. По мере того как AI-модели становятся более искусными в понимании и манипулировании структурированными данными на основе схем, мы можем увидеть аналогичные интеллектуальные возможности генерации, применяемые к другим спецификациям API или моделям данных. Способность генерировать реалистичные, контекстно-ориентированные данные по запросу представляет собой значительный скачок для developer productivity AI, потенциально сокращая время отладки и ускоряя доставку новых функций. Software Developers получают мощных союзников в своих повседневных задачах, трансформируя способы создания и тестирования приложений.

Практический вывод для Software Developers заключается в том, чтобы изучить, как интеграция AI-управляемых инструментов генерации моков может значительно сократить ручную настройку данных, позволяя быстрее итерировать и более надежно тестировать компоненты внешнего интерфейса, даже при отсутствии полностью реализованных бэкенд-сервисов. Этот сдвиг позволяет командам более эффективно разрабатывать параллельно.