Đang tải bảng tin…
Ruby Flow0 Hot0 bình luận15 phút đọc
Chatwoot is one of the best-built Rails apps shipping. That’s exactly why my AI agent failed on it.
Tóm tắt bởi AI
Trong thử nghiệm benchmark, các AI coding agent (như Claude Code với Opus 4.8, GPT-5.5, Kimi K2) chỉ phát hiện được 2/11 phụ thuộc (recall 0.09) của một model Rails cốt lõi trong Chatwoot do thiếu đồ thị cấu trúc mã nguồn, dẫn đến kết quả kiểm toán không đầy đủ nhưng tự tin. Khi sử dụng Sense (công cụ lập chỉ mục mã nguồn thành đồ thị quan hệ qua MCP), các agent tìm thấy tất cả 11 phụ thuộc (recall 1.00), tăng tốc 21% và tiết kiệm 18% token, với hiệu quả rõ rệt nhất ở các model nhỏ hơn. Tác giả là người xây dựng Sense và khuyến khích thử nghiệm trên kho lưu trữ của riêng mình.
Vì sao nên đọc: Lập trình viên nên đọc bài này để hiểu cách cấu trúc đồ họa mã nguồn (code graph) giúp AI phát hiện chính xác các phụ thuộc trong dự án Ruby on Rails, từ đó tối ưu hóa hiệu suất và độ tin cậy của các công cụ tự động hóa kiểm tra mã.
Bạn nhớ được gì?
Trả lời 3 câu hỏi ngắn để nhận điểm thưởng cho bài này. Chỉ làm khi bạn muốn lấy điểm.
tối đa +17 điểm
3 câu hỏi · dưới một phút · không bắt buộc
Nguồn: https://medium.com/@lucdiallo/chatwoot-is-one-of-the-best-built-rails-apps-shipping-thats-exactly-why-my-ai-agent-failed-on-it-034044346de2. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đề xuất cho bạn
freeCodeCamp1 Hot25 phútAI
How to Build an AI Agent That Runs its Own LLM Experiments with autoresearch
autoresearch là công cụ mã nguồn mở của Andrej Karpathy giúp AI agent tự động chạy các thí nghiệm huấn luyện LLM trên GPU. Agent chỉnh sửa file train.py, thực hiện các phiên huấn luyện 5 phút, đánh giá metric val_bpb và quyết định giữ hoặc hoàn tác thay đổi, lặp lại vô hạn. Trong thử nghiệm, agent tìm ra ~20 cải tiến sau ~700 thí nghiệm, giảm thời gian đạt hiệu suất GPT-2 khoảng 11%.
Lập trình viên muốn tự động hóa tối ưu hóa mô hình LLM hiệu quả hơn mà không cần phụ thuộc vào thử nghiệm thủ công và phân tích chi tiết.
