GitHub Copilot: Como programadores Java estão a otimizar o desenvolvimento com IA

Descobre como programadores Java utilizam o GitHub Copilot para acelerar o desenvolvimento, criar aplicações e manter o controlo sobre o código gerado.

A utilização de ferramentas de IA na programação, como o GitHub Copilot, levanta questões sobre como manter a qualidade e a responsabilidade no código final. Três especialistas em Java, reconhecidos como Java Champions, partilharam as suas práticas para equilibrar a velocidade da IA com a necessidade de validação humana.

Produtividade e controlo no desenvolvimento

Um dos pontos centrais destacados pelos especialistas é que a IA não substitui o programador. A velocidade na geração de código é uma vantagem, mas a responsabilidade pela manutenibilidade e correção do software permanece humana. Por exemplo, um dos programadores conseguiu reduzir de semanas para apenas dois dias o desenvolvimento de uma aplicação de histórico de eventos para o Hypersistence Optimizer, utilizando o Copilot como um assistente para acelerar a implementação.

Para garantir que o código gerado segue os padrões de qualidade, os especialistas utilizam estratégias como:

• Revisão ativa: O código gerado pela IA é sempre revisto, especialmente em sessões de depuração ou revisão de código no IntelliJ IDEA.
• Personalização de contexto: A criação de "skills" ou instruções personalizadas permite que a IA aprenda a voz e os padrões de escrita do programador, baseando-se em artigos ou documentação técnica prévia.
• Definição de normas: A criação de competências (skills) específicas permite que a IA aprenda a seguir princípios de expressividade, testabilidade e simplicidade, bem como a mimetizar práticas de código existentes para garantir a estabilidade do produto.

Estas práticas permitem que o Copilot compreenda as regras específicas de cada base de código, evitando a necessidade de explicar os mesmos padrões repetidamente.

Flexibilidade no fluxo de trabalho

Os especialistas destacam que a escolha da interface depende do ciclo de feedback necessário. Enquanto alguns preferem o uso de plugins em IDEs como o IntelliJ IDEA para revisões de código, outros optam por fluxos de trabalho baseados em agentes, utilizando o VS Code para uma interação visual mais próxima ou o terminal para tarefas de execução mais extensas, permitindo delegar partes do trabalho e inspecionar os resultados de forma eficiente.

Fontes

• https://github.blog/ai-and-ml/github-copilot/how-3-java-champions-are-using-github-copilot-for-increased-productivity/