Cet article met en évidence l'incohérence des résultats des assistants de codage IA, tels que Copilot, lorsque la standardisation est laissée aux habitudes de prompt individuelles. Il soutient que le véritable problème de l'ingénierie assistée par l'IA n'est pas la capacité, mais plutôt le manque de cohérence dans les décisions de code.
Este conteúdo apresenta CGD-PD, uma camada leve para modelos de linguagem grandes (LLMs) que melhora a resposta a perguntas lógicas de três vias (Verdadeiro/Falso/Desconhecido). Ele aborda falhas recorrentes como inconsistência de negação e previsões 'Desconhecido' epistêmicas, utilizando decisões consistentes e desambiguação baseada em prova para maior precisão.
Le contenu aborde le défi d'utiliser des systèmes d'IA, tels que les LLM, en production, où leur nature probabiliste conduit à des sorties incohérentes, même si elles sont souvent correctes. L'objectif est de transformer ces systèmes intrinsèquement probabilistes pour qu'ils se comportent de manière aussi cohérente et reproductible que possible, les rapprochant du déterminisme nécessaire aux flux de travail réels.
L'auteur met en lumière des problèmes courants dans les workflows d'agents IA, tels que les états obsolètes et la vérification des résultats. Il présente `agent-consistency`, un package Python sous licence MIT, pour y remédier et sollicite des retours sur cette approche.