AI ಲೀನಿಯರ್ ವಲಸೆಗಾಗಿ ನಿರ್ಣಾಯಕ ಪರೀಕ್ಷೆಗಳು

ಎನ್‌ಕ್ರಿಪ್ಶನ್ ಏಜೆಂಟ್ “ಎ ಸೇರಿಸಲು ಕೇಳಿದರು status ಗೆ ಕಾಲಮ್ orders“ಇದನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಮಾಡುತ್ತದೆ. ಇದು ಆಗಾಗ್ಗೆ, ವಿಫಲವಾದ ಆವೃತ್ತಿಯನ್ನು ಸಾಲುಗಳಿರುವ ಟೇಬಲ್‌ಗೆ ಬರೆಯುತ್ತದೆ ಅಥವಾ ವಿಶೇಷವಾದ ಲಾಕ್ ಅನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಎಲ್ಲಾ ಪುನಃ ಬರೆಯಲು ಇರಿಸುತ್ತದೆ. SQL ನಲ್ಲಿ ಮಾದರಿಯು ಕೆಟ್ಟದಾಗಿದೆ, ಏಕೆಂದರೆ ಅಸುರಕ್ಷಿತ ರೂಪ ಮತ್ತು ಸುರಕ್ಷಿತ ರೂಪವು ಬಹುತೇಕ ಒಂದೇ ಆಗಿರುವುದರಿಂದ ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಉತ್ಪಾದನಾ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾತ್ರ ಮುಖ್ಯವಾಗಿದೆ, ಅದು ಮಾದರಿಯು ಎಂದಿಗೂ ನೋಡುವುದಿಲ್ಲ.

-- what the agent wrote
ALTER TABLE orders ADD COLUMN status text NOT NULL;

-- what survives contact with a table that has rows
ALTER TABLE orders ADD COLUMN status text;
UPDATE orders SET status = 'open' WHERE status IS NULL;  -- in batches
ALTER TABLE orders ALTER COLUMN status SET NOT NULL;

ಇದು ಮೊದಲ ಹೇಳಿಕೆ BV002 ಆಗಿದೆ. ಇದು ಅತ್ಯಂತ ಹಳೆಯ ಮತ್ತು ಉತ್ತಮವಾಗಿ-ಅರ್ಥಮಾಡಿಕೊಂಡ ವಲಸೆ ತಪ್ಪುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ, ಮತ್ತು ಪ್ರಾಂಪ್ಟ್, ಸಂದರ್ಭ ವಿಂಡೋ ಮತ್ತು ದಿನವನ್ನು ಅವಲಂಬಿಸಿ AI ವಿಮರ್ಶಕರು ಕೆಲವೊಮ್ಮೆ ಹಿಡಿಯುತ್ತಾರೆ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಅಲೆಗಳನ್ನು ಅಲೆಯುತ್ತಾರೆ.

ವಿಮರ್ಶಕರು ಏಕೆ ಇನ್ನೊಂದು ಉದಾಹರಣೆಯಾಗಬಾರದು

ಮೊದಲ ಮಾದರಿಯ ವಲಸೆಯನ್ನು ಪರಿಗಣಿಸಲು ಎರಡನೇ ಮಾದರಿಯನ್ನು ಕೇಳುವುದು ಸ್ಪಷ್ಟ ಪರಿಹಾರವಾಗಿದೆ. ಅದು ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ಭಾವಿಸಲು ಇದು ಆಗಾಗ್ಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಮೂರು ಕಾರಣಗಳ ಆಧಾರದ ಮೇಲೆ ಗುಂಪೊಂದು ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ಮಿಸುವಂತೆ ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ.

• ಇದು ಪುನರಾವರ್ತನೆಯಾಗುವುದಿಲ್ಲ. ಒಂದೇ ವಲಸೆ, ಎರಡು ಬಾರಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ, ಎರಡು ವಾಕ್ಯಗಳನ್ನು ಪಡೆಯಬಹುದು. ಮಂಗಳವಾರದಂದು ಕೆಂಪು ಮತ್ತು ಬುಧವಾರದಂದು ಹಸಿರು ಬಣ್ಣದ ವಿನಂತಿಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಅದರ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಲು ಜನರಿಗೆ ಕಲಿಸುವ ವ್ಯತ್ಯಾಸವಾಗಿದೆ.
• ತಾನು ಪರಿಶೀಲಿಸದೇ ಇರುವುದನ್ನು ಹೇಳಲಾರೆ. “ಚೆನ್ನಾಗಿದೆ” ಎಂದು ಹಿಂತಿರುಗಿಸುವ ಮಾದರಿಯು ಅದು ಪರಿಶೀಲಿಸಿದ ಗುಣಲಕ್ಷಣಗಳ ಪಟ್ಟಿಯನ್ನು ನಿಮಗೆ ನೀಡುವುದಿಲ್ಲ. ನಿಯಮ ಕಾರ್ಪಸ್ ನಿರ್ಮಾಣದ ಮೂಲಕ ಈ ಪಟ್ಟಿಯಾಗಿದೆ: ಈ 104 ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಲಾಗಿದೆ, ಅವುಗಳನ್ನು ವಜಾ ಮಾಡಲಾಗಿದೆ, ಇವುಗಳು ಅಲ್ಲ.
• ಅದರ ಹಕ್ಕುಗಳನ್ನು ಪರಿಶೀಲಿಸಲಾಗುವುದಿಲ್ಲ. ನಿಯಮವು ಹೇಳಿದಾಗ “ಈ ಟೇಬಲ್ ಕೆಳಗೆ ACCESS EXCLUSIVE ಲಾಕ್”, ಈ ಕ್ಲೈಮ್ ಅನ್ನು ನಿಜವಾದ ಪೋಸ್ಟ್‌ಗ್ರೆಸ್ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ ಮತ್ತು ಸಾಧನವು ಸಂಗ್ರಹಣೆಯಲ್ಲಿದೆ. ಮಾದರಿ ಹಕ್ಕು ಒಂದು ವಾಕ್ಯವಾಗಿದೆ.

ಇವುಗಳಲ್ಲಿ ಯಾವುದೂ ವಲಸೆ ಬರವಣಿಗೆಯ ಏಜೆಂಟ್‌ಗಳನ್ನು ಬಳಸುವುದರ ವಿರುದ್ಧದ ವಾದವಲ್ಲ. ನಂಬಿಕೆಯ ಎಲ್ಲೆ ಎಲ್ಲಿದೆ ಎಂಬ ಚರ್ಚೆ ಇದು. ಏಜೆಂಟ್ ನೀಡುತ್ತದೆ; ಏನನ್ನಾದರೂ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ.

ಏಜೆಂಟ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪರೀಕ್ಷೆಯು ಹೇಗಿರುತ್ತದೆ?

ಏಜೆಂಟ್ ಅದನ್ನು ತಲುಪಬಹುದಾದ ಸ್ಥಳದಲ್ಲಿ ಚೆಕ್ ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕು ಮತ್ತು ಪ್ರತಿ ಬಾರಿಯೂ ಅದೇ ಫಾರ್ಮ್ ಅನ್ನು ಹಿಂತಿರುಗಿಸಬೇಕು ಇದರಿಂದ ಏಜೆಂಟ್ ವ್ಯಾಖ್ಯಾನವಿಲ್ಲದೆ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು. ಮೂರು ಪ್ರತ್ಯೇಕ ವಿನ್ಯಾಸಗಳು ಹೆಚ್ಚಿನ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ.

1. ಏಜೆಂಟ್ ಲೂಪ್ ಒಳಗೆ. Bolvrk MCP ಸರ್ವರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಈಗಷ್ಟೇ ವಲಸೆ ಕರೆಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ ಏಜೆಂಟ್ check ಪರಿಕರವು ನಿಯಮ ID, ತೀವ್ರತೆ ಮತ್ತು ಸರಿಪಡಿಸುವಿಕೆಯೊಂದಿಗೆ JSON ನಂತೆ ಸಂಶೋಧನೆಗಳನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ ಮತ್ತು ಮಾನವನು ಯೋಜನೆಯನ್ನು ನೋಡುವ ಮೊದಲು ಅದನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ. ಸಾರ್ವಜನಿಕ ಭಂಡಾರದಲ್ಲಿರುವ ಕೌಶಲಗಳ ಗ್ರಂಥಾಲಯವು ಏಜೆಂಟರಿಗೆ ಪ್ರೇರೇಪಿಸದೆ ಅದನ್ನು ಯಾವಾಗ ಮಾಡಬೇಕೆಂದು ಹೇಳುತ್ತದೆ.
2. ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ. npx bolvrk check migration.sqlಯಾವುದೇ ಖಾತೆಯಿಲ್ಲ, ಯಾವುದೇ ಕಾನ್ಫಿಗರೇಶನ್ ಇಲ್ಲ, ಸಂಶೋಧನೆಗಳ ಮೇಲೆ ಕೋಡ್ 1 ರಿಂದ ನಿರ್ಗಮಿಸಿ. MCP ಸರ್ವರ್ ಜಾರಿಗೊಳಿಸುವ ಅದೇ ನಿಯಮವಾಗಿದೆ, ಆದ್ದರಿಂದ ಏಜೆಂಟ್‌ನ ಕೆಲಸವನ್ನು ಮತ್ತೆ ಪರಿಶೀಲಿಸುವ ಯಾರಾದರೂ ಏಜೆಂಟ್ ನೋಡಿದ್ದನ್ನು ನಿಖರವಾಗಿ ನೋಡುತ್ತಾರೆ.
3. ಪುಲ್ ವಿನಂತಿಯ ಬಗ್ಗೆ. Action GitHub ಸಂಕ್ಷಿಪ್ತ ಕಾಮೆಂಟ್ ಅನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ ಮತ್ತು ಗುಂಪು ಆಯ್ಕೆಮಾಡಿದ ತೀವ್ರತೆಯ ಮಟ್ಟದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ. ಪ್ರಜಾವಾಣಿ ಯಾರು ತೆರೆದರೂ ಗೇಟ್ ಒಂದೇ.

ಎಲ್ಲಾ ಮೂರು ಸ್ಥಳಗಳಲ್ಲಿ ಒಂದೇ ಕಾರ್ಪಸ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ಅಂಶವೆಂದರೆ ವಾಕ್ಯವು ಬದಲಾಗುವುದಿಲ್ಲ ಏಕೆಂದರೆ ವಲಸೆಯು ಏಜೆಂಟ್ ಪ್ರಾಜೆಕ್ಟ್‌ನಿಂದ ಟರ್ಮಿನಲ್‌ಗೆ CI ಗೆ ಹೋಗುತ್ತದೆ. ಅಮಲ್ ವಾದಗಳಿಗೆ ಕಿವಿಗೊಡದ ಕಾರಣ ಏಜೆಂಟ್ ಅಮಲ್ ಪರ ಮಾತನಾಡುವಂತಿಲ್ಲ.

ರಚಿಸಲಾದ SQL ಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ನಿಯಮಗಳು

ಏಜೆಂಟರು ನಿಜವಾಗಿ ಏನನ್ನು ಉತ್ಪಾದಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ನೋಡಿದರೆ, ನಿಯಮಗಳ ಒಂದು ಸೆಟ್ ಹೆಚ್ಚಿನ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತದೆ.

• BV002, ADD COLUMN … NOT NULL ಡೀಫಾಲ್ಟ್ ಇಲ್ಲದೆ.

• BV003, ಸೂಚ್ಯಂಕ ಸಂಖ್ಯೆ CONCURRENTLYಸಂಪೂರ್ಣ ನಿರ್ಮಾಣಕ್ಕಾಗಿ ಬರವಣಿಗೆಯನ್ನು ನಿರ್ಬಂಧಿಸಿ.

• BV034, ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಲಾಕ್ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ lock_timeoutಆದ್ದರಿಂದ ನಿಧಾನ ಕಾರ್ಯಾಚರಣೆಯು ಅದರ ಹಿಂದೆ ಸರದಿಯಾಗುತ್ತದೆ.

• BV030, a DROP COLUMN ಕಾಲಮ್ ಅನ್ನು ಓದುವ ಕೋಡ್ ಇನ್ನೂ ಸ್ಥಳದಲ್ಲಿದೆ.

ಇವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ನಿಯಮವು ಏನನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಎಂಬುದನ್ನು ಹೇಳುವ ಪುಟವನ್ನು ಹೊಂದಿದೆ, SQL ಅದು ಬೆಂಕಿಯಿಡುತ್ತದೆ ಮತ್ತು ಸುರಕ್ಷಿತ ಮಾದರಿಯನ್ನು ಹೊಂದಿದೆ. ಇದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿದೆ: ಏಜೆಂಟ್ ಒಬ್ಬ ವ್ಯಕ್ತಿಗೆ ಅಥವಾ ಒಬ್ಬ ವ್ಯಕ್ತಿಗೆ ಏಜೆಂಟ್ಗೆ ಸಂಶೋಧನೆಯನ್ನು ವಿವರಿಸಿದಾಗ, ವಿವರಣೆಯು ಅದೇ ಸ್ಥಳದಿಂದ ಬರಬೇಕು ಮತ್ತು ಅದೇ ವಿಷಯವನ್ನು ಹೇಳಬೇಕು.

ಇದು ಏನಲ್ಲ

ನಿಯಮ ಕಾರ್ಪಸ್‌ಗೆ ನಿಮ್ಮ ವ್ಯವಹಾರ ತಿಳಿದಿಲ್ಲ. ನಿಮ್ಮ ಡೇಟಾಗೆ ಮರುಲೋಡ್ ಮಾಡಲು ನಾಲ್ಕು ಗಂಟೆಗಳು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಅಥವಾ 2024 ರಿಂದ ಯಾರೂ ನೋಡದ ವರದಿಯ ಮೂಲಕ ಕೈಬಿಡಲಾದ ಕಾಲಮ್ ಅನ್ನು ಓದಲಾಗುತ್ತದೆ ಎಂದು ನಿಮಗೆ ಹೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ಲೈವ್ ಸರ್ಕ್ಯೂಟ್‌ನ ಸಂದರ್ಭವು ಈ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಓದಲು-ಮಾತ್ರ ಸಂಪರ್ಕವು ಟೇಬಲ್‌ನ ನಿಜವಾದ ಗಾತ್ರ ಮತ್ತು ಮಿತಿಗಳನ್ನು ನೋಡಲು ನಿಯಮಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಆದರೆ ತೀರ್ಪು ತಂಡದಲ್ಲಿದೆ. ಕಾರ್ಪಸ್ ನಿರ್ಣಯದ ಅಗತ್ಯವಿಲ್ಲದ ದೋಷಗಳ ವರ್ಗಗಳನ್ನು ಹೊರತುಪಡಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ತೀರ್ಪು ಅಗತ್ಯವಿರುವಲ್ಲಿಗೆ ಹೋಗಬಹುದು.

ನೀವು ಏಜೆಂಟ್‌ಗಳಿಗೆ ವಲಸೆಯನ್ನು ಬರೆಯಲು ಅನುಮತಿಸಿದರೆ, ಅವುಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕೆ ಎಂಬುದು ಪ್ರಶ್ನೆಯಲ್ಲ. ವಿಮರ್ಶೆಯು ನೀವು ಪ್ರತಿ ಬಾರಿಯೂ ಅದೇ ರೀತಿಯಲ್ಲಿ ಅವಲಂಬಿಸಬಹುದಾದ ವಿಷಯವಾಗಿದೆಯೇ ಎಂಬುದು ಇದು. ಇದರೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ npx bolvrk check ಕೊನೆಯ ವಲಸೆಯಲ್ಲಿ ಏಜೆಂಟ್ ನಿಮಗಾಗಿ ಬರೆದಿದ್ದಾರೆ.

bolvrk.com ನಲ್ಲಿ ಮೊದಲು ಪ್ರಕಟಿಸಲಾಗಿದೆ. Bolvrk ಡೇಟಾಬೇಸ್ ವಲಸೆ ಮತ್ತು ರಫ್ತು ಮಾಡಿದ ರುಜುವಾತುಗಳಿಗಾಗಿ ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಯಾಗಿದೆ: ಉಚಿತ CLI, GitHub ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ಕ್ರಿಯೆ.