AI ඒජන්ට්ස් දැන් කේතය ඉක්මනින් ලියනවා, ඒත් ඒ වගේම සොෆ්ට්වෙයා ව්යුහය ඉක්මනින් නසනවා. මේ තත්ත්වය "agentic technical debt" කියලා හඳුන්වා තිබෙන්නේ, ඒ කියන්නේ ස්වයංක්රීය ඒජන්ට්ස් පරිපාලන ක්රියාවලියට වඩා වැඩි ව්යුහ ණය එකතු කරනවා.
ඇත්තටම, සංකීර්ණ, පරණ පද්ධතියකට AI කේත ලිවීමේ ඒජන්ට් එකක් ඇතුළත් කළොත්, කාලය ඉතා ඉක්මනින් ඉතිරි වෙනවා. ඒත් ඒ සමඟම dependency‑injection සීමා උල්ලංඝනය වීම, මොඩියුල අතර අනිසි සම්බන්ධතා ඇති වීම, සහ අනාගත නිකුතුවලදී පෙනෙන්නා වූ ව්යුහ ධාරානුකූලතාවය කඩකළ හැකිය.
මෙම ගැටලුව දැන් ලොව පුරා අධිකාරීන්ගේ අවධානයට පත් වී ඇත. ප්රතිකාරවලින් එකක්, ඒජන්ට් එකට කේතයක් ලියන්න පෙර “Context Interrogation” පියවරක් එකතු කිරීම. ඒජන්ට් එකට ටිකට් එක, රිපෝසිටරී තොරතුරු, සහ අවශ්ය පැහැදිලි කරුණු ඇසීමට ඉඩ දෙන අතර, ඉන්පසු මිනිස් ඉංජිනේරුවරයාගේ පිළිතුර ලැබීමෙන් පසු ක්රියාත්මක වේ.
එක් පියවරක් පමණක් නොව, “builder” සහ “verifier” ලෙස දෙකක් වෙන වෙනම ඒජන්ට්ස් භාවිතා කරයි. builder එක වෙනස්කම් තැනීම් කරයි, verifier එක ඒ වෙනස්කම් විවරණය, අවදානම් මට්ටම, සහ නියමිත විශේෂණය අනුව පරීක්ෂා කරයි. අවසාන තීරණය මිනිසා ගනී.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික ආරම්භකයන්, විශ්වවිද්යාල සිසුන්, සහ සොෆ්ට්වෙයා සමාගම් සඳහා මෙය විශාල අවස්ථාවක්. AI ඒජන්ට්ස් භාවිතයෙන් කේත ලිවීමේ වේගය වැඩි කිරීමෙන්, ද්රව්යමය වියදම් අඩු කර, ව්යාපෘති කාලය කෙටි කර ගත හැකිය. නමුත්, අධිකාරී පාලන ක්රම නොමැති නම්, පද්ධතියේ ආරක්ෂාව, නියාමන අනුකූලතාව, සහ දිගුකාලීන නඩත්තු ගාස්තු ඉහළ යා හැක.
- ඉගැන්වීම: විශ්වවිද්යාල පාඨමාලා තුළ AI‑code generation සම්බන්ධ පද්ධති පාලන පද්ධති ඇතුළත් කිරීම.
- ව්යාපාරික අවස්ථා: ස්ථානික සොෆ්ට්වෙයා සමාගම්ට CI/CD pipeline වල AI‑driven verification එකක් සකස් කර, නියාමන අවශ්යතා පිරිනැමීම.
- ආරක්ෂාව: “action risk” සහ “change risk” වර්ග දෙකකට වෙන්වූ පාලන මට්ටම් නිසා, වැරදි කේත වෙනස්කම් හෝ පයිප්ලයින් අක්රමික කිරීම අවම කරයි.
අවසන් වශයෙන්, AI ඒජන්ට්ස් කේත ලිවීමේ වේගය වැඩි කරයි, නමුත් ඒක පාලනය නොකරනවා නම්, ව්යුහ ණය ඉක්මනින් එකතු වේ. නිසි “multi‑pass” ක්රම, “hard boundaries”, සහ “dual risk taxonomy” යොදා ගන්නේ නම්, ශ්රී ලංකාවේ තාක්ෂණික ප්රගතියට නව මාර්ගයක් විවර වේ.
