Zpočátku jsem vyvíjel Agenta poněkud staromódně: ChatGPT navrhl soubor, já ho uložil, nahrál na server a zkusil, co se stane. Připomínalo to hru, v níž člověk sice zná pravidla, ale nemá tušení, kde je další překážka. Jakmile ovšem přibylo více souborů a vazeb, ukázalo se, že podobný postup už nestačí.

Z chatu do repozitáře

Přechod ke Codexu a GitHubu pro mě znamenal větší změnu než jen rychlejší psaní kódu. Začal jsem pracovat s repozitářem, jednotlivými změnami a jejich historií. Místo neurčitého „uprav to“ bylo potřeba přesně popsat, co se má změnit a co naopak musí zůstat zachováno.

Výhodou je, že úpravu lze zkontrolovat, porovnat s předchozí verzí a případně vrátit. Po zkušenostech s ručním přenášením souborů mi právě možnost dohledat konkrétní změnu připadala skoro jako luxus.

Když rychlost předběhne rozum

Codex dokáže připravit rozsáhlou úpravu překvapivě rychle. Jenže množství vytvořeného kódu nevypovídá nic o jeho správnosti. Stalo se pro mě důležitější ujasnit si zadání, hranice odpovědnosti a očekávané testy než obdivovat, kolik řádků během chvíle přibylo.

Dnes rozlišuji vytvořený návrh změny, úspěšný test a skutečné nasazení. Není to slovíčkaření: na každém kroku může selhat něco jiného. Když systém prohlásí úkol za dokončený, zajímá mě, co přesně tím dokládá.

Programátor se mění v koordinátora

Zjistil jsem, že při vývoji s AI věnuji více času rozhodování, formulaci požadavků a kontrole než samotnému psaní syntaxe. Je to pohodlné, ale současně trochu znepokojivé. Jestliže nechám automatizaci rozhodovat i o cíli a kritériích úspěchu, přestanu systému rozumět.

Codex pro mě proto není kouzelný zaměstnanec, kterému lze předat odpovědnost. Je to mocný nástroj, jehož výsledek je stále potřeba číst, testovat a někdy také odmítnout. Právě to mě přechod od chatu naučil.

Příště se podívám na to, odkud Agent bere vlastní znalosti.