Agentic coding benchmarkas: greitis be testo yra tik graži iliuzija
NVIDIA aprašė AA-AgentPerf benchmarką, skirtą matuoti agentinių kodavimo užduočių našumą.
Šiame straipsnyje · 6 dalys
- Kas yra agentic coding benchmarkas? Tai testas, matuojantis DI kodavimo agentų darbą su daugiažingsnėmis užduotimis.
- Kodėl nepakanka matuoti tokenų greičio? Nes agentas vykdo įrankius, tikrina rezultatą ir kartoja veiksmus.
- Kokia metrika svarbi verslui? Sėkmingai atlikta užduotis, klaidų skaičius, žmogaus peržiūros laikas ir kaštas.
agentic coding benchmarkas skamba kaip techninis terminas. Bet kai pažiūri praktiškai, čia yra labai žemiškas klausimas: kiek darbo darome rankomis tik todėl, kad niekas neprisėdo sutvarkyti proceso?
NVIDIA aprašė AA-AgentPerf – benchmarką agentinėms kodavimo užduotims matuoti. Skamba techniškai, bet verslui čia yra paprasta pamoka: greitas agentas be gero matavimo gali labai greitai gaminti klaidas.
Man tokiose naujienose visada įsijungia mažas vidinis buhalteris. Ne tas, kuris skaičiuoja sąskaitas, o tas, kuris klausia: kiek tai kainuos, kas prižiūrės ir kur gali lūžti?
Kas nutiko
AA-AgentPerf skirtas matuoti, kaip sistemos tvarkosi su agentiniais kodavimo krūviais, kai reikia planuoti, kviesti įrankius, vykdyti komandas ir grįžti prie rezultato.
Mes dažnai mėgstame klausti: „kiek greičiau?“ Bet geresnis klausimas yra kitas: „kiek greičiau ir kiek kartų reikėjo taisyti po to?“ Čia skirtumas kaip tarp sprinto ir bėgimo į sieną.
Kodėl tai svarbu
Kodavimo agentai keičia inference krūvį. Jie ne tik parašo vieną atsakymą, o kelis kartus mąsto, vykdo veiksmus, tikrina ir taiso. Todėl senų greičio metrikų gali neužtekti.
DI jau nebe vien langelis, į kurį įmetame tekstą. Jis jungiasi prie įrankių, moka kviesti servisus, gali veikti keliais žingsniais ir pradeda liesti tikrus verslo pinigus. Čia romantika baigiasi. Prasideda tvarka.
Ką tai reiškia verslui
Verslui tai reiškia, kad DI produktyvumą reikia matuoti pagal rezultatą: ar testai praėjo, ar klaidų sumažėjo, ar programuotojo peržiūra sutrumpėjo, o ne tik pagal gražų demo.
- matuoti atliktą užduotį, ne vien atsakymo greitį
- skaičiuoti taisymų skaičių po agento darbo
- tikrinti kaštą per sėkmingą pakeitimą
- lyginti agentą su realia komandos užduotimi
Pavyzdys: duokite agentui dešimt realių klaidų iš backlog ir matuokite, kiek pataisymų praeina testus be papildomo žmogaus taisymo.
Kur pasislėpusi rizika
Rizika – nusipirkti greitį, kuris nesutaupo darbo. Jei žmogus po agento turi viską perrašyti, greitis buvo tik triukšmas.
Blogiausia DI klaida dažnai neatrodo kaip klaida. Ji ateina gražiai parašytu sakiniu, mandagiu tonu ir labai užtikrintu veidu. Todėl verslui reikia ne tik įrankių, bet ir įpročio tikrinti.
Ką pasidaryti šią savaitę
Prie kito kodavimo agento piloto pridėkite vieną metriką: kiek minučių žmogaus peržiūros reikėjo po agento darbo.
Rašome apie dirbtinį intelektą lietuviškai. Kiekvienas straipsnis parengtas pagal nurodytą šaltinį, o nuorodą į originalą rasite kortelėje „Šaltinis“.
