අපි හැමෝම දැනගෙන ඉන්නවා, AI කේතකාරයක් නව වේදිකාවකට සම්බන්ධ කිරීමේ ඉල්ලීමක් දුන්නාම, එය විශ්වාසයෙන් පුරා කේතයක් ලියලා දෙයි. නමුත් එම කේතයේ පුරාන endpoint, අස්ථානගත header, හෝ වැරදි API සංස්කරණයක් වැනි ගැටළු පෙනෙයි. මෙවැනි දෝෂයන් අසාමාන්යයක් නොවේ; ඒක AI මොඩලය API එක “දැන” නැති නිසා, ඒ ගැන පුස්තකාල දත්තයෙන් මතක තබාගෙන උත්සාහ කරන නිසාය.
ලැජ්ජාකාරී නොවන්න – ප්රධාන ගැටළුව කේත ලිවීම නොවේ, ඒක සඳහා අවශ්ය සන්දර්භය ගොඩනැගීමයි. නව API එකක් එක්ක වැඩේ ආරම්භ කරන විට, ප්රථමයෙන් authentication ලේඛන කියවීම, entity වර්ග හඳුනා ගැනීම, object සම්බන්ධතා තේරුම් ගැනීම, සාමාන්ය workflow පරීක්ෂා කිරීම, අවශ්ය endpoint සොයා ගැනීම වගේ වැඩකටයුතු පැය ගණනක් ගත වේ. AI කේතකාරයන් කේතය ලියන වේගය වැඩි කරලාද, ඒ සන්දර්භ ගොඩනැගීමේ පියවර වෙනස් කරලා නැත.
ඇත්ත වශයෙන්ම, බොහෝ ලේඛන මනුෂ්යයන් සඳහාම සැලසුම් කරලා තියෙනවා. OpenAPI specification යන්ත්රයන් සඳහා හොඳයි, නමුත් එය “කොහොමද” කියන පැහැදිලි කරන්නේ නැහැ. ඒක “ඇත්තේ මොනවාද” කියන තොරතුරක් පමණයි. ලේඛන “ඇයි” කියන තොරතුරක් දෙනවා, නමුත් ඒ දෙකම එකට එකතු කරලා සම්පූර්ණ mental model එකක් ගොඩනැගීමට නොහැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම අවස්ථාවේ, Scout නමැති නව මෙවලම ඉදිරිපත් කරලා තියෙනවා. Scout, OpenAPI specification එකත්, සම්බන්ධ ලේඛනත් එකට ගෙන, ඒවායේ තොරතුරු සංයුක්ත කර, AI කේතකාරයන්ට පදනම් කරගත හැකි “grounded context” එකක් සපයයි. එයින් ශ්රී ලංකාවේ ඩිවෙලොපර්, startup, සහ IT සමාගම් සඳහා පහත වාසි ලැබේ:
- වේගවත් සංයුක්තකරණය: ලේඛන කියවීමට ගතවන වේලාව අඩු කර, නිෂ්පාදන කාලය කෙටි කරයි.
- දෝෂ අඩු කිරීම: AI කේතකාරයන් වැරදි endpoint හෝ header භාවිතා කිරීමේ අවදානම අඩු වේ.
- ඉගෙනුම් වාරිකය: නව API එකක් අධ්යයනය කරන සිසුන්ට, සංග්රහිත සන්දර්භයක් මගින් ඉගෙනීමට පහසුකම් සලසයි.
- ආරක්ෂිතව භාවිතය: Scout සම්පූර්ණයෙන්ම ලොකල් පරිසරයේ ධාවනය වන බැවින්, සම්බන්ධතා හෝ telemetry ගැන කනස්සල්ලක් නොමැත.
Scout MIT ලයිසන්ස් යටතේ GitHub හි විවෘත කේතයක් ලෙස ලබා ගත හැක. ඕනෑම සංවර්ධකයකුට, integration tool එකක් හෝ AI‑assisted workflow එකක් ඉදිරිපත් කිරීමේදී ප්රතිචාර ලබා ගැනීමට ආරාධනා කරනවා.
අනාගතයේ AI කේතකාරයන් සහ මනුෂ්ය සංවර්ධකයන් එකම සන්දර්භයක් බෙදා ගනිමින්, “අනුමාන” නොව “තොරතුරු” මත වැඩ කරන ලෝකයක් අපේක්ෂා කළ හැකිය.
