អត្ថបទនេះបកប្រែពីភាសាអង់គ្លេសដោយ AI។ អានអត្ថបទដើមជាភាសាអង់គ្លេស →
រឿងរ៉ាវនៅពីក្រោយការរិះគន់ Claude Code៖ ធ្វើការមួយថ្ងៃ 12 ម៉ោង គ្រាន់តែចាំចុច Enter មែនទេ?
ការបង្ហោះដ៏កក្រើកមួយលើកឡើងថា វិស្វករកូដត្រូវធ្វើការមួយថ្ងៃ 12 ម៉ោងគ្រាន់តែចាំចុច Enter។ ស្វែងយល់ពីរបៀបដំណើរការរបស់ Claude Code លទ្ធផលស្រាវជ្រាវពីររបស់ Anthropic និងវិធីរក្សាជំនាញកុំឱ្យបាត់បង់។
អ្នកសរសេរកម្មវិធីម្នាក់ដែលសុំមិនបញ្ចេញឈ្មោះ បានបង្ហោះសារមួយឃ្លាអំពីការងាររបស់ខ្លួន ហើយមានមនុស្សរាប់លាននាក់បានអាន៖ "រាល់ថ្ងៃនេះ មនុស្សជាច្រើនកំពុងធ្វើការមួយថ្ងៃ 12 ទៅ 13 ម៉ោង គ្រាន់តែដើម្បីចាំចុច Enter ប៉ុណ្ណោះ។"
គាត់មិនបាននិយាយថា AI សរសេរកូដមិនល្អនោះទេ តែផ្ទុយស្រឡះតែម្តង។ Claude Code អាចរៀបចំ specs សរសេរកូដ បង្កើតតេស្ត រៀបចំ tickets និងធ្វើរបាយការណ៍បានទាំងអស់ ខណៈមនុស្សត្រូវគេជំរុញឱ្យបញ្ចេញការងារឱ្យកាន់តែលឿន។ "តាមពិតទៅ គ្មានអ្នកណាចង់គិតអ្វីទៀតឡើយ។"
ខ្ញុំបានតាមដានការចុះផ្សាយជុំវិញការបង្ហោះនេះ សម្ភាសន៍ដែលគាត់បានឆ្លើយបំភ្លឺបន្ទាប់មក និងការសិក្សាស្រាវជ្រាវពីរដែល Anthropic បានចេញផ្សាយអំពីឧបករណ៍ផ្ទាល់ខ្លួនរបស់គេ។
▶ WATCH ON YOUTUBEWatch the video
▶ WATCH ON YOUTUBEវីដេអូពេញ៖
រឿងរ៉ាវដែលផ្ទុះការចាប់អារម្មណ៍
- គណនីនោះមានឈ្មោះថា v0xium ជាអ្នកសរសេរកម្មវិធីម្នាក់ដែលអះអាងថាទើបតែចូលធ្វើការនៅក្រុមហ៊ុនធំមួយ។ គាត់បានសុំឱ្យអ្នកសារព័ត៌មានកុំបញ្ចេញឈ្មោះពិតរបស់គាត់។
- សារព័ត៌មាន Business Insider បានរាយការណ៍ថា មានអ្នកមើលជិត 5 លានដងត្រឹមថ្ងៃចន្ទ។ ក្រោយមក Futurism បានឱ្យដឹងថា ចំនួនអ្នកមើលបានកើនឡើងលើស 7 លានដង។
- Elon Musk បានឆ្លើយតបខ្លីតែមួយម៉ាត់ថា៖ "Yikes"។
- Chamath Palihapitiya បានព្រមានថា ក្រុមហ៊ុននានាកំពុងប្រឈមនឹងការប្រែក្លាយអ្នកជំនាញបច្ចេកទេស ឱ្យទៅជាមនុស្សដែលចាំតែចុចប៊ូតុងដូចលេងម៉ាស៊ីនស្លុត (slot machine)។
- អគ្គនាយកប្រតិបត្តិ (CEO) របស់ GitLab លោក Bill Staples បានលើកឡើងថា មនុស្សបានក្លាយជាអ្នកសម្របសម្រួលការងារឱ្យម៉ាស៊ីនទៅវិញ។
ប៉ុន្តែកុំភ្លេចគិតចំណុចនេះ៖ នេះគ្រាន់តែជាមនុស្សម្នាក់រៀបរាប់ពីកន្លែងធ្វើការមួយ ដោយមិនបញ្ចេញឈ្មោះប៉ុណ្ណោះ។
សមត្ថភាពពិតរបស់ Claude Code
វាមិនមែនត្រឹមតែជាមុខងារបំពេញកូដស្វ័យប្រវត្តិ (autocomplete) នោះទេ។ វាដំណើរការផ្ទាល់នៅក្នុង terminal របស់អ្នក ហើយអាច៖
- អានកូដទាំងមូលក្នុង repository មិនមែនមើលតែឯកសារដែលកំពុងបើកនោះឡើយ
- កែសម្រួលឯកសារ និងដំណើរការ command ផ្សេងៗ
- ដំឡើងកម្មវិធីតេស្ត (test framework) និងដំណើរការតេស្តកូដ
- ធ្វើ commit និង push កូដចូលប្រព័ន្ធ
- អាចបញ្ជាប្រើពី Slack បាន និងដំណើរការនៅក្នុង GitHub Actions
នៅពេល AI គ្រាន់តែជួយណែនាំកូដបន្ទាត់បន្ទាប់ អ្នកនៅតែជាម្ចាស់ស្នាដៃពិតប្រាកដ។ ប៉ុន្តែនៅពេលដែល agent អាចអានកូដក្នុង repo សរសេរបំណះកូដ (patch) ដំណើរការតេស្ត និងអាប់ដេត ticket ខ្លួនឯងបាន ការងាររបស់អ្នកក៏ប្រែទៅជាអ្នកចាំតែត្រួតពិនិត្យមើលពីលើដោយមិនដឹងខ្លួន។
Anthropic បានវាស់វែងរឿងនេះ។ ផ្អែកលើការដំណើរការប្រហែល 400,000 លើក (sessions)៖
| ការសម្រេចចិត្ត | អ្នកធ្វើ |
|---|---|
| ការរៀបចំផែនការ (ត្រូវបង្កើតអ្វី) | អ្នកប្រើ ប្រហែល 70% |
| ការអនុវត្តជាក់ស្តែង (ត្រូវបង្កើតវាដោយរបៀបណា) | Claude ប្រហែល 80% |
ជាទូទៅ ការប្រើម្តងៗ (session) មនុស្សបញ្ជាប្រហែលបួន prompt ហើយម៉ូដែល AI វិញធ្វើសកម្មភាពប្រហែលដប់ជំហាន។
បញ្ហាពិតប្រាកដគឺគិតតែពី "បញ្ចេញឱ្យលឿន"
គាត់បានប្រាប់ Business Insider ថា ឫសគល់នៃបញ្ហាគឺថ្នាក់ដឹកនាំគិតតែពីរឿងបញ្ចេញមុខងារថ្មីឱ្យបានច្រើន។ ថ្នាក់គ្រប់គ្រងវាស់វែងលើវដ្ត sprint ចំនួន pull requests និងបរិមាណមុខងារដែលធ្វើរួច ទោះបីជាមុខងារទាំងនោះមិនបានធ្វើឱ្យផលិតផលល្អប្រសើរជាងមុនក៏ដោយ។
នេះហើយជាអន្ទាក់។ ប្រសិនបើការបង្កើតកូដលឿនជាងមុនដប់ដង តែល្បឿននៃការពិនិត្យកូដ (code review) នៅដដែលនោះ ការពិនិត្យកូដនឹងក្លាយជាចំណុចកកស្ទះ។ ហើយដំណោះស្រាយដ៏គ្រោះថ្នាក់បំផុតនោះ គឺការកាត់បន្ថយ ឬលុបចោលការពិនិត្យកូដតែម្តង។
ប្រាំមួយខែក្រោយមក នៅពេលប្រព័ន្ធ production គាំងនៅម៉ោង 2 យប់ ទាល់តែមានមនុស្សទើបដឹងថា ហេតុអ្វីបានជាកូដត្រង់នោះសរសេរអញ្ចឹង។ ការទទួលខុសត្រូវ មិនអាចធ្វើស្វ័យប្រវត្តិកម្មបានឡើយ។
ការសិក្សាទី 1៖ តើ AI ធ្វើឱ្យអ្នកធ្លាក់ចុះជំនាញមែនទេ?
Anthropic បានធ្វើការពិសោធន៍ជាក់ស្តែងជាមួយអ្នកសរសេរកម្មវិធីកម្រិត junior ចំនួន 52 នាក់ ដោយឱ្យពួកគេរៀន Python library ថ្មីមួយដែលគ្មាននរណាម្នាក់ធ្លាប់ចេះពីមុន។ ក្រុមមួយទទួលបានជំនួយពី AI ពេលបំពេញភារកិច្ច។ បន្ទាប់មក គ្មានអ្នកណាបានប្រើ AI ឡើយពេលធ្វើតេស្តសាកល្បងសមត្ថភាព (quiz)។
| ក្រុមប្រើ AI | ក្រុមមិនប្រើ AI | |
|---|---|---|
| ល្បឿន | លឿនជាងប្រហែល 2 នាទី តែគ្មានភាពខុសគ្នាច្រើនតាមស្ថិតិ | |
| ពិន្ទុតេស្ត | ប្រហែល 50% | ប្រហែល 67% |
គម្លាតធំបំផុត គឺទៅលើសំណួរពាក់ព័ន្ធនឹងការស្វែងរកនិងដោះស្រាយបញ្ហាកូដ (debugging)។
ការសិក្សានេះនៅមានកម្រិតនៅឡើយ៖ ចំនួនមនុស្សតិច ភាគច្រើនជាកម្រិត junior ធ្វើតេស្តភ្លាមៗក្រោយចប់ការងារ ហើយប្រើត្រឹមជំនួយការចំហៀង (sidebar) មិនមែនជា autonomous agent ពេញលេញនោះទេ។ វាមិនមែនជាភស្តុតាងបញ្ជាក់ថា AI ធ្វើឱ្យអ្នកអន់ថយនោះទេ ប៉ុន្តែវាបង្ហាញយ៉ាងច្បាស់ថា ការធ្វើការងារមួយឱ្យចប់ និងការយល់ច្បាស់ពីការងារនោះ ជារឿងពីរផ្សេងគ្នា។
ការសិក្សាទី 2៖ ការវិភាគលើ 400,000 sessions
Anthropic បានវិភាគលើការប្រើ Claude Code ប្រហែល 400,000 លើក ពីអ្នកប្រើប្រហែល 235,000 នាក់ ក្នុងរយៈពេលប្រាំពីរខែ។
- កម្រិតជំនាញនៅតែជាកត្តាកំណត់លទ្ធផល។ ការប្រើរបស់អ្នកទើបចាប់ផ្តើម (novice) សម្រេចបានជោគជ័យត្រឹមត្រូវប្រហែល 15% ប៉ុណ្ណោះ។ ចំណែកអ្នកកម្រិតមធ្យមរហូតដល់អ្នកជំនាញ សម្រេចបានពី 28 ទៅ 33%។
- ការដោះស្រាយបញ្ហាកូដ (debugging) ធ្លាក់ចុះ ពី 33% មកសល់ត្រឹម 19% នៃចំនួនប្រើសរុបក្នុងអំឡុងពេលប៉ុន្មានខែនោះ។
នេះគ្រាន់តែជាទិន្នន័យពីការសង្កេតប៉ុណ្ណោះ។ វាមិនអាចបញ្ជាក់ថា AI បណ្តាលឱ្យបាត់បង់ជំនាញនោះឡើយ។
តារាងដែលមានប្រយោជន៍បំផុត
ពីការពិសោធន៍៖ របៀបដែលមនុស្សប្រើប្រព័ន្ធជំនួយ និងចំណេះដឹងដែលពួកគេនៅចាំបានបន្ទាប់ពីនោះ។
| ទម្លាប់នៃការប្រើ | ពិន្ទុតេស្ត |
|---|---|
| ឱ្យវាបង្កើតកូដ រួចឱ្យវាពន្យល់កូដនោះ | 86% |
| សរសេរកូដខ្លះដោយខ្លួនឯង រួចឱ្យវាពន្យល់ផ្នែកដែលនៅសល់ | 68% |
| សួរសំណួរពីគោលគំនិតទូទៅអំឡុងពេលសរសេរកូដ | 65% |
| ប្រគល់ការងារឱ្យវាធ្វើទាំងស្រុង ហើយទៅធ្វើរឿងផ្សេង | 39% |
| ពឹងផ្អែកលើវាកាន់តែច្រើនឡើងៗរាល់ពេលធ្វើ | 35% |
| ចម្លង error ដាក់ឱ្យវាដោះស្រាយទាល់តែបាត់ | 24% |
ឧបករណ៍តែមួយ ប្រើពេលដូចគ្នា តែពិន្ទុខុសគ្នាប្រហែលហុកសិបពិន្ទុ។ មិនមែនឧបករណ៍ធ្វើបាបអ្នកទេ គឺទម្លាប់របស់អ្នកខ្លួនឯង។ ហើយទម្លាប់នោះទៀតសោត ច្រើនតែកើតចេញពីថ្ងៃកំណត់បញ្ចប់ការងារ (deadline)។
របៀបធ្វើការដ៏ល្អនិងត្រឹមត្រូវ
- អ្នកជាអ្នកកំណត់គោលដៅ។ តើបញ្ហាអ្វីដែលយើងត្រូវដោះស្រាយ ហើយលទ្ធផលសម្រេចបានត្រូវមានលក្ខណៈបែបណា?
- ទុកឱ្យ agent ធ្វើការងារស្វ័យប្រវត្តិតាមលំនាំ៖ ស្វែងរកឯកសារ លើកឡើងពីចំណុចកែប្រែ និងព្រាងការធ្វើតេស្ត។
- អ្នកជាអ្នកពិនិត្យមើលដែនកំណត់សំខាន់ៗ៖ ស្ថាបត្យកម្មប្រព័ន្ធ (architecture) សុវត្ថិភាព ការចាត់ចែងទិន្នន័យ និងដំណើរការរបស់ផលិតផល។
- ការធ្វើតេស្តគឺដើម្បីផ្ទៀងផ្ទាត់លទ្ធផល។ វាមិនមែនជាអ្នកទទួលខុសត្រូវជំនួសអ្នកឡើយ។
- អ្នកអាចពន្យល់ពីការកែប្រែកូដនោះបាន ដោយមិនបាច់ពឹងឱ្យម៉ូដែល AI ពន្យល់ជំនួស។
បើអ្នកជាអ្នកដឹកនាំក្រុម ចូរការពារការពិនិត្យកូដ ការជជែកវែកញែកលើស្ថាបត្យកម្មប្រព័ន្ធ ការវិភាគលើបញ្ហាដែលកើតឡើង និងការដោះស្រាយបញ្ហាកូដ (debugging)។ ព្រោះកន្លែងទាំងនេះហើយ ដែលបណ្តុះបណ្តាលវិស្វករកម្រិត senior សម្រាប់រយៈពេលប្រាំឆ្នាំខាងមុខ។
សេចក្តីសន្និដ្ឋាន
ការបង្ហោះនោះមិនបានបង្ហាញថា Claude Code កំពុងបំផ្លាញវិស័យវិស្វកម្មផ្នែកទន់នោះទេ។ វាគ្រាន់តែបង្ហាញពីអ្វីដែលនឹងកើតឡើង នៅពេលក្រុមហ៊ុនមួយគិតតែពីបរិមាណកូដដែលផលិតបាន ហើយលែងខ្វល់ថាបុគ្គលិកយល់ដឹងពីកូដនោះកម្រិតណា។ ឧបករណ៍គ្រាន់តែកំណត់ថាអ្នកទៅបានលឿនប៉ុនណា តែដំណើរការការងារទេ ដែលជាអ្នកកំណត់ថា តើអ្នកនៅតែជាវិស្វករពិតប្រាកដឬអត់នៅទីបញ្ចប់។
ប្រភពយោង
- វីដេអូពេញ៖ https://youtu.be/vlZGBuZ-tuQ
- Anthropic ការពិសោធន៍លើជំនាញសរសេរកូដ៖ https://www.anthropic.com/research/AI-assistance-coding-skills
- Anthropic ការសិក្សាលើការប្រើ Claude Code៖ https://www.anthropic.com/research/claude-code-expertise
- Futurism៖ https://futurism.com/artificial-intelligence/software-engineer-ai-chaos-press-enter-all-day
- តេស្តផ្ទាល់ខ្លួនរបស់ខ្ញុំលើ agent៖ Claude Code vs OpenAI Codex ការធ្វើតេស្តចំនួន 20
តើ AI ធ្វើឱ្យអ្នកក្លាយជាវិស្វករដែលពូកែជាងមុន ឬគ្រាន់តែធ្វើការលឿនជាងមុន?
សម្រង់សម្តីពី X ត្រូវបានដកស្រង់ចេញពីការរាយការណ៍ខាងលើ។ អត្ថបទវីដេអូត្រូវបានស្រាវជ្រាវ និងព្រាងឡើងដោយមានជំនួយពី Claude។


