Wie ich eine komplexe SaaS-App mit KI erstellt habe – und Sie das auch können

Ich bin jetzt schon seit ein paar Jahren Entwickler, aber erst als die KI auf den Markt kam, konnte ich mit der Entwicklung von Apps beginnen. Meine erste Sprache, die ich lernte, war Visual Basic. Ich habe es nie verstanden, es war nichts Grundlegendes daran. Als nächstes kam C++, aber selbst mit den beiden Pluszeichen ergab sich immer noch nichts. Zu meiner Verteidigung muss ich sagen, dass ich beim Erlernen keinen Computer besaß und der Unterricht auf einem Whiteboard erfolgte.

Die Entdeckung

Ich verwende LLMs schon seit einiger Zeit, zumindest seit die erste GPT4-Version herauskam. Ich hatte gerade das Erlernen der Blockchain-Entwicklung bei Solidity abgeschlossen und einen Job bei einer Softwareagentur bekommen. Und dann wurde GPT4 veröffentlicht. Zuerst habe ich nur allgemeine Fragen gestellt. Dann fing ich an, es zum Codieren zu verwenden, indem ich es mit etwas Solidity-Code testete.

Es lief ziemlich gut und da entzündete sich in mir der Funke, KI zum Codieren einzusetzen. Ich arbeitete damals in einer Softwareagentur und wir hatten einen Kunden, der ein Skript wollte, das NFTs automatisch unter einem bestimmten Preis auf einem Solana-Marktplatz kaufte. Ich habe das gesamte Projekt mit GPT4 gemacht.

Die App-Idee

Als Claude veröffentlicht wurde, war ich skeptisch und beschloss, noch eine Weile zu warten, während ich mit den kostenlosen Modellen spielte.

Irgendwann hatte ich den Dreh raus und beschloss, mich anzumelden. Nach einer Weile wurde Claude Opus mein Lieblingsmodell und ich nutzte es für persönliche Codierungsprojekte und allgemeine Recherchen. Kurz darauf wurde Claude 3.5 Sonnet angekündigt.

Gebäude

Ungefähr zu dieser Zeit kam mir eine Idee für eine vscode-Erweiterung, die die Fähigkeiten von KI erweitern kann, indem sie sie in die IDE bringt und ihr Schreib- und Lesezugriff gewährt und so der KI Echtzeitkontext gibt.

Ich habe beschlossen, mit dem Bauen mit Claude 3.5 Sonnet zu beginnen. Von Anfang an hatten wir einen guten Start und bei mir funktionierten einige Dinge. Doch Minuten später brach etwas im Code zusammen und ich drehte mich etwa eine Stunde lang mit Sonnet im Kreis und versuchte, das Problem zu beheben. Ich war frustriert und wechselte zurück zu dem Modell, mit dem ich vertraut war, Opus.

Aber von Anfang an habe ich einen Fehler nach dem anderen behoben. Aber ich machte weiter, da ich immer noch an Opus gewöhnt war und nur ungern wechseln wollte. Aber nachdem ich etwa zwei Tage lang mit Opus herumgespielt hatte, wurde mir klar, dass ich nicht annähernd so weit gekommen war wie mit Sonnet. Also ging ich zurück zu Sonnet, holte die letzte funktionierende Codeversion und begann von dort aus von vorne.

An diesem Punkt begannen die Dinge zu passen. Innerhalb einer Woche hatte ich Code, den ich zumindest ausführen und testen konnte. Je besser ich verstand, wie man auffordert, desto schneller konnte ich damit arbeiten.

Herausforderungen

Allerdings verlief nicht alles reibungslos. Es gibt mehrere Beispiele, aber das bedeutsamste war an einem Punkt, da ich es auch für Forschungs- und Architekturentscheidungen verwendete, dass es auf einen falschen Ansatz hindeutete, der mit meinem Setup nicht möglich war. Da mir das nicht bewusst war, habe ich es implementiert und beim Testen hat es nicht funktioniert.

Nach Rücksprache mit Sonnet zu den Fehlern konnte das Unternehmen immer noch nicht verstehen, warum das Modul nicht funktionierte. Daher habe ich mehr Beratung für die Implementierung mit chatGPT geleistet. Es schlug auch den gleichen Ansatz vor (der nicht funktionierte), gab mir aber eine zweite Option. Ich nahm das zweite, gab es Claude und Voila! der Zug fuhr wieder.

Das Ergebnis

Alles in allem hat es etwa zwei Monate gedauert, bis eine brauchbare Anwendung erstellt wurde. Am Ende hatte ich mehr als 10 Module, die ich hinsichtlich Skalierbarkeit und Debugging für geeignet halte.

Aufgrund meiner Erfahrung habe ich festgestellt, dass die Qualität der KI ein Niveau erreicht hat, auf dem man Ideen mit erstaunlicher Geschwindigkeit umsetzen und iterieren kann.

Die aktuelle Einschränkung beim Codieren mit KI besteht darin, dass Sie nur hin und her kopieren und einfügen können. Das funktioniert, aber manchmal, wenn ein Fehler auftritt, kann es zu einer Lücke im Kontext kommen, da die KI möglicherweise nicht weiß, wie Ihr aktuelles Projekt in der IDE eingerichtet ist, und der Fehler dies nicht kommuniziert.

Da sowohl die KI als auch Sie sich dessen nicht bewusst sind, geraten Sie beide im Kreis. Das löse ich mit „codingAGI“, bringe KI in die IDE und lasse sie die Umgebung einrichten, den Code schreiben, ihn ausführen und sofort Kontext in Form einer Erfolgsmeldung oder eines Fehlers erhalten, den sie dann debuggen kann.

Abschluss

KI wird Entwickler nicht ersetzen. Sie müssen es noch dazu auffordern und anleiten, um das gewünschte Ergebnis zu erzielen. Das bedeutet, dass Sie die Prinzipien und Muster des Software-Designs kennen. Der Unterschied wird in der Geschwindigkeit liegen. KI-Entwickler werden schneller Ideen entwickeln, schneller programmieren und schneller liefern.

Schauen Sie sich CodingAGI an und beginnen Sie mit dem Versand!

Das obige ist der detaillierte Inhalt vonWie ich eine komplexe SaaS-App mit KI erstellt habe – und Sie das auch können. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!