Yapay Zeka Kod Asistanı Expedia ve Airbnb’de GraphQL Mock’larına Güç Veriyor

Gelişmiş bir yapay zeka kod asistanı, büyük teknoloji şirketlerinde GraphQL geliştirmenin ön saflarında yer alıyor; Expedia Group ve Airbnb, sahte GraphQL yanıtları oluşturmak için büyük dil modellerini (LLM’ler) uyguluyor. Bu yenilik, arka uç hizmetleri eksik olsa bile API testi ve ön uç geliştirme için gerçekçi veri oluşturmayı otomatikleştirerek geliştirici üretkenliğini önemli ölçüde artırıyor.

• Expedia Group, isteğe bağlı GraphQL mock oluşturma için LLM’lerden yararlanan bir Rust CLI olan mockql-rs‘i açık kaynak olarak yayınladı.
• Bu yaklaşım, Yazılım Geliştiricilerin canlı arka uç verilerini yapay zeka tarafından oluşturulan mock verilerle tek bir GraphQL yanıtında birleştirmesine olanak tanır.
• Airbnb daha önce derleme zamanında çalışan bir @generateMock yönergesi sunarak yapay zekayı geliştirme iş akışlarına entegre etmek için çeşitli stratejiler sergilemişti.
• Temel önerme, GraphQL şemalarının LLM’lerin “doldurmakta” üstün olduğu yapılandırılmış bir “şekil” sağlaması ve manuel veri fikstürü oluşturmayı önemli ölçüde azaltmasıdır.

Yapay Zeka Kod Asistanı Geliştiriciler İçin GraphQL Mocking’i Kolaylaştırıyor

Geliştiriciler için yapay zeka araçları alanı genişlemeye devam ediyor ve Yazılım Geliştiricilerin GraphQL API geliştirmeyi ele alış biçiminde önemli bir ilerleme kaydediliyor. Expedia Group kısa süre önce, istek anında büyük dil modellerini kullanarak GraphQL mock yanıtları oluşturmak üzere tasarlanmış, Rust ile oluşturulmuş açık kaynaklı bir komut satırı arayüzü (CLI) olan mockql-rs‘i tanıttı. Bu, yapay zeka kodlamasında önemli bir adımı işaret ediyor ve geliştiriciler için uzun süredir devam eden bir sorunu ele alıyor: gelişen API’ler için mock verilerin oluşturulması ve bakımı.

Yazılım Geliştiriciler için bu yapay zeka kod asistanının cazibesi açık. Geleneksel geliştirme genellikle API yanıtlarını simüle etmek için kapsamlı JSON fikstürlerini manuel olarak oluşturmayı içerir; bu süreç sadece zaman alıcı olmakla kalmaz, aynı zamanda her şema değişikliğinde güncelliğini yitirme eğilimi gösterir. Expedia Group’ta yazılım mühendisi olan Samuel Vazquez, üretken yapay zeka modellerinin tamamen yeni yapılar icat etmede zayıf olsalar da, mevcut olanları doldurmada son derece iyi olduklarını vurguluyor. Bir GraphQL şeması bu kesin, sınırlı yapıyı sağlar ve yapay zekanın onu ilgili, gerçekçi verilerle doldurmasına olanak tanır.

Expedia’nın mockql-rs’i Geliştirici Üretkenliğini Nasıl Artırıyor?

Expedia’nın mockql-rs‘i, istemci uygulaması ile arka uç sunucusu arasında bir aracı olarak çalışır. Yazılım Geliştiriciler, GraphQL sorgularındaki belirli alanları bir @mock yönergesiyle açıklayabilir ve isteğe bağlı olarak yapay zekanın üretimini yönlendirmek için bir ipucu sağlayabilir. Araç daha sonra işlemi şemaya göre akıllıca ayrıştırır ve doğrular, apollo-compiler gibi araçları kullanır.

En önemlisi, mockql-rs açıklama eklenmiş mock alanları ile gerçek alanları birbirinden ayırır. Gerçek veri isteklerini yukarı akışa, gerçek arka uca iletirken, aynı anda LLM’yi işlem ve mock alanları için şemanın ilgili bir alt kümesiyle yönlendirir. Sonuç, canlı arka uç verilerinin yapay zeka tarafından oluşturulan verilerle bir arada bulunduğu sorunsuz bir şekilde birleştirilmiş bir yanıttır. Bu yetenek, bir geliştiricinin bir arka uçtan gerçek mülk ayrıntılarını içeren tek, kapsamlı bir yanıtı, çözücüsü henüz oluşturulmamış bir özellik için oluşturulan önerilerle birlikte alabileceği anlamına gelir; bu da yineleme döngülerini ve genel geliştirici üretkenliğini önemli ölçüde hızlandırır.

Expedia’nın bunu bir CLI olarak uygulama kararı stratejikti ve geniş erişilebilirlik sağladı. Herhangi bir test çalıştırıcısı, sürekli entegrasyon (CI) işi veya derleme betiği, karmaşık SDK veya istemci kitaplığı bağımlılıklarından kaçınarak süreci kolayca yürütebilir. Bu tasarım seçimi, belirli, yüksek değerli bir soruna odaklanarak diğer yapay zeka kod oluşturma araçlarının faydasına rakip olabilecek çok yönlü bir eklenti haline getiriyor.

Yapay Zeka Destekli GraphQL Mock’larına Farklı Yaklaşımlar

Expedia Group’un mockql-rs‘i bir çalışma zamanı çözümü olsa da, GraphQL mocking’e yönelik tek yapay zeka odaklı yaklaşım bu değil. Örneğin Airbnb, Nisan ayında derleme zamanında çalışan kendi @generateMock yönergesini tanıttı. Airbnb’nin yöntemi, kod oluşturma sırasında yönergeyi işleyerek hem mock verilerin bir JSON dosyasını hem de türlenmiş erişim işlevlerini üretmeyi içerir. Bu çıktı daha sonra demo uygulamaları, anlık görüntü testleri ve birim testleri için kullanılır ve oluşturucu, sonraki çalıştırmalarda manuel düzenlemeleri akıllıca korur.

Farklı bakış açılarını daha da açıklamak gerekirse, GraphQL Foundation da Şubat ayında üçüncü farklı bir tasarım öneren bir RFC (Yorum Talebi) açtı. Bu RFC, bireysel alanlar yerine işlem düzeyinde bir @mock yönergesi tanımlayarak adlandırılmış mock yanıtlarının seçilmesine olanak tanır. RFC’nin temel bir gereksinimi, uyumlu bir istemcinin herhangi bir ağ isteği başlatmadan bir mock döndürmesi ve mock yanıtlarının özel bir __graphql_mocks__ dizininde bulunmasıdır. Bu üç farklı uygulama, ortak bir amacı paylaşmalarına rağmen, geliştirici topluluğu içinde yapay zeka kod oluşturmayı GraphQL iş akışlarına entegre etmenin en iyi yolu üzerine devam eden keşfi vurgulamakta ve Yazılım Geliştiricilere değerlendirmeleri için farklı seçenekler sunmaktadır.

Geliştiriciler İçin Yapay Zeka Araçları Üzerindeki Daha Geniş Etki Nedir?

Expedia ve Airbnb gibi sektör liderlerinden gelen bu LLM destekli GraphQL mocking çözümlerinin ortaya çıkışı, geliştiriciler için yapay zeka araçlarında büyüyen bir eğilimi vurguluyor. Yapay zeka kod asistanı teknolojisinin bu özel uygulaması, büyük dil modellerinin GitHub Copilot veya Tabnine tarafından sunulan genel kod tamamlama yeteneklerinin ötesine geçerek daha alana özgü, iş akışını iyileştiren rollere nasıl geçtiğini gösteriyor. Yazılım Geliştiriciler için bu, daha az tekrar eden işlere harcanan zaman ve temel mantık ile inovasyona daha fazla odaklanma anlamına geliyor.

Bu gelişme, diğer kodlama yapay zeka çözümlerinin ve GitHub Copilot alternatiflerinin evrimini de etkileyebilir. Yapay zeka modelleri, şemalara dayalı yapılandırılmış verileri anlama ve manipüle etmede daha yetenekli hale geldikçe, benzer akıllı oluşturma yeteneklerinin diğer API spesifikasyonlarına veya veri modellerine uygulandığını görebiliriz. İsteğe bağlı olarak gerçekçi, bağlama duyarlı veri oluşturma yeteneği, geliştirici üretkenliği için önemli bir sıçramayı temsil ediyor, potansiyel olarak hata ayıklama süresini azaltıyor ve yeni özelliklerin teslimini hızlandırıyor. Yazılım Geliştiriciler, günlük görevlerinde güçlü müttefikler kazanarak uygulamaların nasıl inşa edildiğini ve test edildiğini dönüştürüyorlar.

Yazılım Geliştiriciler için pratik bir çıkarım, yapay zeka destekli mock oluşturma araçlarını entegre etmenin manuel veri kurulumunu nasıl önemli ölçüde azaltabileceğini keşfetmektir; bu, tam olarak uygulanmamış arka uç hizmetleri yokluğunda bile ön uç bileşenlerinin daha hızlı yinelemesine ve daha sağlam test edilmesine olanak tanır. Bu değişim, ekiplerin daha etkili bir şekilde paralel geliştirmesine olanak tanır.