Jako specjalista zajmujący się na co dzień automatyzacją oraz sztuczną inteligencją, stale monitoruję granice możliwości współczesnych modeli językowych. Zamiast jednak teoretyzować o potencjale AI, wolę testować narzędzia w skrajnych warunkach scenariuszy produkcyjnych.
Tym razem postawiłem przed sobą jasne zadanie: sprawdzić, czy proces tworzenia oprogramowania (od koncepcji do wdrożenia) można w pełni zautomatyzować przy minimalnym udziale człowieka. Założyłem rygorystyczne kryterium – aplikacja miała powstać przy użyciu maksymalnie 5–6 precyzyjnych promptów.Do testu wykorzystałem model Codex, zapewniając mu dostęp do lokalnego środowiska deweloperskiego. Wynikiem tego eksperymentu jest Master of Keyboard – zaawansowane narzędzie do nauki bezwzrokowego pisania.
Działanie gotowego systemu możecie zobaczyć na poniższym materiale wideo:
Architektura eksperymentu i prompt inicjalny
Eksperyment rozpocząłem od zdefiniowania architektury i wymagań funkcjonalnych w jednym, skondensowanym prompcie:
Zbuduj aplikację wspomagającą naukę pisania bezwzrokowego. Chcę piękny interfejs, ćwiczenia, gry, podświetlaną klawiaturę, wskazówki dotyczące ułożenia dłoni oraz pomiar szybkości pisania.
Pierwsza iteracja wyznaczyła architekturę bazową oraz strukturę danych. Kluczem do sukcesu nie było jednak jednorazowe wygenerowanie kodu, ale zdolność modelu do pracy w trybie pętli zwrotnej. W kolejnych 4–5 krokach optymalizacyjnych moja rola ograniczała się wyłącznie do ról Product Ownera oraz architekta systemu – definiowałem cele, a AI działało jako autonomiczny inżynier.
Codex przejął pełną odpowiedzialność za pipeline deweloperski:
Efektem końcowym jest w pełni skalowalna aplikacja webowa, która pod wieloma względami przewyższa komercyjne rozwiązania subskrypcyjne dostępne na rynku.
1. Moduł telemetryczny i analityka na żywo
System w czasie rzeczywistym przetwarza zdarzenia wejściowe z klawiatury (klasyczne event listenery zoptymalizowane pod kątem opóźnień) i wylicza kluczowe metryki efektywności:
Zamiast monotonnego powtarzania bloków tekstu, zaimplementowano salon gier (m.in. przechwytywanie spadających liter, destrukcja obiektów oznaczonych znakami, maraton rytmiczny).
Z technicznego punktu widzenia najciekawszy jest algorytm adaptacyjnego poziomu trudności. AI zaimplementowało logikę, która analizuje bieżący wskaźnik błędów użytkownika – jeśli celność spada, pętla gry zwalnia, minimalizując frustrację i utrwalanie złych nawyków motorycznych.
3. Interfejs i system mikro-kursów
Aplikacja zawiera pełne wsparcie dla mechaniki pamięci mięśniowej. Wizualny interfejs mapuje pozycje bazowe (wypustki na klawiszach F i J) oraz dynamicznie podświetla odpowiednie strefy klawiatury i palce, którymi należy wykonać ruch.
Dodatkowo, w zaledwie kilka iteracji, model wdrożył 6 kompletnych motywów graficznych (w tym Dark Mode, Neon i Twilight), dbając o odpowiedni współczynnik kontrastu zgodny z wytycznymi WCAG.
Automatyzacja DevOps i infrastruktura
To, co różni zaawansowanego agenta AI od zwykłego generatora kodu, to zdolność operowania na infrastrukturze. W tym eksperymencie model samodzielnie zarządzał środowiskiem uruchomieniowym:
Codex bez problemu poradził sobie z konfiguracją kluczy, deploymentem na zdalne urządzenie w sieci lokalnej (Raspberry Pi) oraz poprawnym przygotowaniem struktury pod hosting statyczny na GitHubie.
Projekt jest w pełni publiczny i dostępny do testów pod adresem:
Wnioski z eksperymentu: Świt programowania intencyjnego
Ten test dowodzi, że wchodzimy w epokę programowania intencyjnego (Intent-Driven Development). Dotychczas budowa dedykowanych narzędzi edukacyjnych wymagała zakupu drogich licencji SaaS lub angażowania zasobów ludzkich na wiele godzin roboczych.
Dziś, jako inżynierowie, otrzymujemy technologię, która pozwala na radykalną demokratyzację tworzenia oprogramowania. Jeśli dowolna aplikacja na rynku nie spełnia Twoich oczekiwań – czy to pod kątem estetyki, ergonomii, czy brakujących funkcjonalności – jesteś w stanie wypromptować, przetestować i wdrożyć własną alternatywę w jedno popołudnie. Takie rozwiązania to także idealny sposób na draft jakiegoś projektu, sprawdzenie jego działania, pokazanie grupie testowej i zebranie feedbacku.
To był dopiero pierwszy z serii testów automatyzacji, jakie zaplanowałem na najbliższy czas. Kolejne projekty będą obejmować jeszcze bardziej złożone architektury systemowe.
Zachęcam do obserwowania mojego bloga, gdzie będę regularnie publikował techniczne case studies z pogranicza automatyzacji procesów oraz inżynierii AI. Szersza perspektywa nadchodzi – bądźcie na bieżąco!
Codex przejął pełną odpowiedzialność za pipeline deweloperski:
- Analizę statyczną i semantyczną istniejącej bazy kodu,
- Implementację logiki biznesowej oraz algorytmów obliczeniowych,
- Automatyczne testy integracyjne bezpośrednio w środowisku przeglądarkowym,
- Debugowanie UI/UX, w tym optymalizację responsywności (RWD) i cross-browser compatibility,
- Wdrożenie (Deployment): zarządzanie repozytorium Git, budowanie wersji produkcyjnej oraz konfigurację potoku CI/CD dla GitHub Pages.
Efektem końcowym jest w pełni skalowalna aplikacja webowa, która pod wieloma względami przewyższa komercyjne rozwiązania subskrypcyjne dostępne na rynku.
1. Moduł telemetryczny i analityka na żywo
System w czasie rzeczywistym przetwarza zdarzenia wejściowe z klawiatury (klasyczne event listenery zoptymalizowane pod kątem opóźnień) i wylicza kluczowe metryki efektywności:
- WPM (Words Per Minute): płynna prędkość pisania,
- Dokładność (Accuracy): wyrażona w procentach wskaźnik poprawności,
- Licznik wolumetryczny: łączna liczba wprowadzonych znaków,
- Streak: algorytm zliczający maksymalną serię bezbłędnych uderzeń.
Zamiast monotonnego powtarzania bloków tekstu, zaimplementowano salon gier (m.in. przechwytywanie spadających liter, destrukcja obiektów oznaczonych znakami, maraton rytmiczny).
Z technicznego punktu widzenia najciekawszy jest algorytm adaptacyjnego poziomu trudności. AI zaimplementowało logikę, która analizuje bieżący wskaźnik błędów użytkownika – jeśli celność spada, pętla gry zwalnia, minimalizując frustrację i utrwalanie złych nawyków motorycznych.
3. Interfejs i system mikro-kursów
Aplikacja zawiera pełne wsparcie dla mechaniki pamięci mięśniowej. Wizualny interfejs mapuje pozycje bazowe (wypustki na klawiszach F i J) oraz dynamicznie podświetla odpowiednie strefy klawiatury i palce, którymi należy wykonać ruch.
Dodatkowo, w zaledwie kilka iteracji, model wdrożył 6 kompletnych motywów graficznych (w tym Dark Mode, Neon i Twilight), dbając o odpowiedni współczynnik kontrastu zgodny z wytycznymi WCAG.
Automatyzacja DevOps i infrastruktura
To, co różni zaawansowanego agenta AI od zwykłego generatora kodu, to zdolność operowania na infrastrukturze. W tym eksperymencie model samodzielnie zarządzał środowiskiem uruchomieniowym:
[Lokalna maszyna deweloperska]
│
├─▶ Auto-sync przez SSH
│ → [Raspberry Pi — serwer testowy]
│
└─▶ Git + CI/CD
→ [GitHub Pages — produkcja]Codex bez problemu poradził sobie z konfiguracją kluczy, deploymentem na zdalne urządzenie w sieci lokalnej (Raspberry Pi) oraz poprawnym przygotowaniem struktury pod hosting statyczny na GitHubie.
Projekt jest w pełni publiczny i dostępny do testów pod adresem:
🎮 Wypróbuj Master of Keyboard:
https://margib.github.io/MasterOfKeyboard/
💻 Kod źródłowy projektu:
https://github.com/MarGib/MasterOfKeyboardWnioski z eksperymentu: Świt programowania intencyjnego
Ten test dowodzi, że wchodzimy w epokę programowania intencyjnego (Intent-Driven Development). Dotychczas budowa dedykowanych narzędzi edukacyjnych wymagała zakupu drogich licencji SaaS lub angażowania zasobów ludzkich na wiele godzin roboczych.
Dziś, jako inżynierowie, otrzymujemy technologię, która pozwala na radykalną demokratyzację tworzenia oprogramowania. Jeśli dowolna aplikacja na rynku nie spełnia Twoich oczekiwań – czy to pod kątem estetyki, ergonomii, czy brakujących funkcjonalności – jesteś w stanie wypromptować, przetestować i wdrożyć własną alternatywę w jedno popołudnie. Takie rozwiązania to także idealny sposób na draft jakiegoś projektu, sprawdzenie jego działania, pokazanie grupie testowej i zebranie feedbacku.
To był dopiero pierwszy z serii testów automatyzacji, jakie zaplanowałem na najbliższy czas. Kolejne projekty będą obejmować jeszcze bardziej złożone architektury systemowe.
Zachęcam do obserwowania mojego bloga, gdzie będę regularnie publikował techniczne case studies z pogranicza automatyzacji procesów oraz inżynierii AI. Szersza perspektywa nadchodzi – bądźcie na bieżąco!
Komentarze