ඔබේ රැකියා සෙවීමේ අයදුම්පත්රය AI එකක් සකස් කරන JSON දත්ත වලින් පිරී ඇතැයි සිතනවාද? මේකේ නවතම උදාහරණයක්, Anthropic Claude මගින් පවතින පාර්සිං ගැටළු නිරාකරණය කරමින්, කේත පේළි 200කට අඩු කරපු තාක්ෂණික කතාවක්.
ලේඛකයා පළමු සංස්කරණයේ JobSearch නම් තමන්ගේම රැකියා සෙවීමේ උපකරණය නිර්මාණය කරා. එහි පිරිසිදු JSON ලබා දීමට, _clean_json_text, _fix_unescaped_newlines, _fix_single_quotes, _strip_markdown_wrapper, _extract_and_parse_json යන පාර්සිං ක්රියා 5ක් ලියලා, අවසානවට _retry_json_fix නමින් AI එකට වැරදි JSON එක නැවත අයැදුමක් කළා. ඒවා සියල්ල තනි-තනි බග් එකක් විසඳමින් සතියක් පුරා ලියපු පසු, ඔහු තමාටම ගෞරවයක් දැනුනා.
ඉන්පසු, Claude මගින් එම JSON පිළිතුරු markdown fences තුළ, එකකින් එකකට single quotes, line break, NaN වැනි අමුතු අකුරු වලින් පිරී තිබුණා. ඒ නිසා එක් එක් ගැටලුවට පාරිසරික පාර්සිං ක්රමයක් ලියලා, ඒවාට unit test දාලා, පද්ධතිය 250 පේළි කේතයකට පත්වුණා. පසුගිය මාසයේ, කේතය හුදෙක් AI tool use එකකට පරිවර්තනය කරලා, එම පාර්සිං ලේයරය පූර්ණයෙන්ම ඉවත් කළා.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම නවීකරණය ශ්රී ලංකාවේ ඩිවෙලපර්, සිසුන්, ව්යාපාරිකයින්ට විශේෂ ප්රයෝජන ගෙන එයි:
- ඉගෙනුම් වේගය වැඩි වීම: JSON පාර්සිං ගැටළු නිසා වැරදි debug කාලය අඩු වෙයි, නිසා අලුත් AI API භාවිතය ඉගෙනීමට ඉඩ ලැබේ.
- ආර්ථික වාසි: දෙවන API ඇමතුමක් නොමැතිව, latency සහ cost අඩු වේ. මෙය තාක්ෂණික startups වලට පිරිවැය අඩු කිරීමේ වඩාත් වැදගත්.
- ව්යාපාරික නිෂ්පාදන ගුණාත්මකභාවය: Pydantic schema එකක් මගින් JSON වල අගය පූර්ණයෙන්ම සත්යාපනය කරයි, එමනිසා දත්ත ගබඩාවට වැරදි නොගොස්, සේවා ගුණාත්මකභාවය වැඩිවේ.
එමෙන්ම, AI tool භාවිතය නිසා කේත පාරිසරිකය පිරිසිදු වෙලා, නව ප්රොජෙක්ට්ස් වලට ඉක්මනින් feature එකක් එක්කල හැකිය. ශ්රී ලංකාවේ තාක්ෂණික කණ්ඩායම් දැන් AI model එකේ tool use හැකියාව අනුගමනය කර, කේත ගැටළු විසඳීමට නව මාර්ගයක් සොයාගන්නා අවස්ථාව ලැබේ.
අවසන් වශයෙන්, මෙය පෙන්වන්නේ AI මොඩලයෙකුට tool definition එකක් දී, එය පූර්ණයෙන්ම structured data එකක් ලබා දෙන්න පුළුවන් බවයි. එම නිසා අපේ දේශීය AI ecosystem එකට නව පියවරක්, කේත ලිවීමේ පරම්පරා අලුත් කරයි.
