AI FDE最佳实践

AI FDE（Foundry 数据工程）可以加速开发，但必须负责任地使用。请遵循以下最佳实践指南，以确保您的流水线可靠、安全且高效。

• 审查所有生成的代码，确保其正确且符合组织标准后再部署到生产环境。
• 使用有代表性的样本数据测试转换逻辑，以确认在不同条件下表现如预期。
• AI FDE 默认在分支上创建更改，并将其提交为全局分支提案或代码仓库的拉取请求供审查。
• 根据工具及其配置，AI FDE 可能需要工具批准后才会执行操作。请确保在授予权限前了解预期的行为并核实所使用的工具。

• 只向模型提供必要的上下文和所需工具以完成当前任务。
• 过多或不相关的上下文会导致次优或错误的操作。
• 限制工具可减少混淆，提高效率和准确性，并通过最小化对敏感操作或数据的暴露来增强安全性。

• 将复杂操作拆分为更小、可管理的步骤。先搭建基本结构，逐步增加复杂度，在每一步验证后再继续。
• AI FDE 擅长快速原型，能够迅速探索替代方案。
• 对于生产级解决方案，将 AI 生成的基础与手动开发相结合，以进行微调和优化。

• 使用 AIP 评估 来评估和监控 AI FDE 创建或修改的函数的性能。
• 为您的 LLM 支持的函数构建评估套件，以随时间衡量影响并比较不同实现。
• 来自 AIP 评估的量化反馈在迭代开发过程中尤为有价值，帮助您判断更改是提升还是降低了性能。

AI FDE 的运行速度远快于人工开发者，常在几分钟内执行数十项操作，并可并行运行多个会话。这可能会暴露在人类驱动工作流下不易察觉的基础设施瓶颈。

需要评估的关键领域：

• 存储读写吞吐量
• 计算资源，尤其是 GPU 可用性
• 整体存储容量

为高频并行操作、持续计算负载、增加的网络活动以及扩展的存储需求做好规划，以避免性能下降。

• 始终验证 AI 生成的代码，并使用真实数据测试转换。
• 限制上下文和工具，仅提供任务所需的内容。
• 分解 大问题，采用迭代、混合的开发方式。
• 利用 AIP 评估 获取量化的性能反馈。
• 评估并配置 基础设施，以应对 AI FDE 工作负载的高速并行特性。