تتزايد شعبية أدوات البرمجة المعتمدة على الذكاء الاصطناعي (AI)، ومع ذلك، ترى العديد من الفرق أنها تتوقف عند مرحلة معينة: استخدام الأوامر والمراجعة، دون وجود إطار عمل للتقدم المنهجي. يهدف نموذج نضوج قاعدة بيانات البرمجة بالذكاء الاصطناعي (AI Codebase Maturity Model - ACMM) إلى تغيير هذا الوضع، حيث يوفر إطار عمل مكون من ستة مستويات يصف كيفية تطور قاعدة بيانات البرمجة من البرمجة المعاونة إلى الأنظمة الذاتية بالكامل.

مستوحى من نموذج نضوج إدارة العمليات (CMMI)، يحدد كل مستوى بنية حلقات التغذية الراجعة - الآليات المحددة التي يجب أن تتواجد قبل أن يصبح المستوى التالي ممكنًا. لقد تم التحقق من صحة النموذج من خلال تجربة استغرقت 100 يوم في صيانة وحدة التحكم KubeStellar، وهي لوحة تحكم قائمة على Kubernetes تم بناؤها من الصفر باستخدام Claude Code (Opus) وGitHub Copilot، بالإضافة إلى النشر الأولي لنظام Hive - وهو نظام تنسيق متعدد الوكلاء مفتوح المصدر يحقق المستوى السادس: الاستقلالية الكاملة.

يعمل النظام حاليًا مع 74 تدفق عمل CI/CD، و32 مجموعة اختبارات ليلية، ويحقق تغطية في الأكواد تصل إلى 91%، مع أوقات إصلاح للأخطاء تقل عن 30 دقيقة على مدار الساعة. النتيجة الأبرز: تكمن ذكاء نظام تطوير مدفوع بالذكاء الاصطناعي ليس في نموذج الذكاء الاصطناعي في حد ذاته، ولكن في بنية التعليمات والاختبارات والمعايير وحلقات التغذية الراجعة المحيطة به.

لا يمكن تخطي المستويات، وفي كل مستوى، ما يفتح مستوى جديد هو آلية تغذية راجعة أخرى. وقد أثبتت الاختبارات، من حيث عدد حالات الاختبار، ومعايير التغطية، وموثوقية تنفيذ الاختبار، أنها كانت الاستثمار الأكثر أهمية في رحلتنا.

النسخة الثانية من النموذج تمتد من 5 إلى 6 مستويات، حيث تمت إضافة المستوى السادس (الذاتي بالكامل) مع Hive كنموذج مرجعي وBeads لضمان استمرارية الذاكرة عبر الوكلاء، بالإضافة إلى بيانات تسريع الإنتاجية التي تظهر زيادة بمقدار 5x في تدفق الطلبات و37x في تدفق المشكلات من المستوى الثاني إلى المستوى السادس.

ما رأيكم في هذا التحول الملحوظ في تطوير البرمجيات؟ شاركونا في التعليقات!