W skrócie
Z asystenta należy korzystać tam, gdzie wyraźnie się opłaca, dawać mu skupiony kontekst zamiast całych repozytoriów, wybierać mniejszy lub szybszy model do rutynowych zmian, a trudne zadania dzielić na proste kroki do przejrzenia. Jedno badanie wykazało, że programowanie z pomocą AI miało w testowanych zadaniach ok. 33 razy większy ślad węglowy niż podejście ręczne, więc nawyki mają znaczenie.
Kroki
- Należy zdecydować, czy zadanie wymaga asystenta, czy szybciej będzie napisać kod samemu.
- Do rutynowych uzupełnień i zmian należy wybierać mniejszy lub szybszy model.
- Asystenta należy kierować do właściwych plików, a nie do całego repozytorium.
- Trudne zadanie należy podzielić na małe kroki i przejrzeć każdy przed przejściem dalej.
- W trybach agentowych należy ustawić limity kroków lub wydatków i przerywać przebiegi, które się zapętlają.
- Należy śledzić korzystanie zespołu z asystenta obok kosztów.
Z asystenta należy korzystać świadomie, a nie odruchowo, i ograniczać to, co czyta. Asystenci do programowania są przydatni, ale zużywana przez nich energia jest niewidoczna dla osoby, która z nich korzysta.
Dlaczego to ważne?
Cheung i współpracownicy porównali programowanie ręczne i z pomocą AI na zestawie zadań programistycznych i ustalili, że podejście z pomocą AI miało ok. 33 razy większy ślad węglowy niż ręczne, a różnica rosła wraz z trudnością zadań. Nie oznacza to, że nigdy nie należy korzystać z asystentów; oznacza, że warto używać ich tam, gdzie oszczędzają realny czas.
Tryby agentowe kosztują jeszcze więcej. Anthropic podał, że jego agenci zużywali zwykle ok. cztery razy więcej tokenów niż czat, a systemy wieloagentowe ok. piętnaście razy więcej.
Co ma największe znaczenie?
- Kontekst. Każdy plik, który czyta asystent, jest przetwarzany ponownie w każdej turze. Należy otwierać lub wskazywać tylko istotne pliki i zaczynać nową sesję przy nowym zadaniu.
- Wybór modelu. Wiele narzędzi pozwala wybrać model. Mały, szybki model zwykle wystarcza do uzupełnień, zmian nazw i kodu szablonowego; duży warto zostawić do projektowania i debugowania.
- Limity agentów. Agentom należy dać jasny cel, warunek zatrzymania i limit kroków. Zob. jak powstrzymać agentów AI przed marnowaniem tokenów.
- Małe kroki z przeglądem. Człowiek sprawdzający każdy krok zapobiega długim przebiegom w złym kierunku.
Częste błędy
- Pozwalanie agentowi „naprawiać testy” w otwartej pętli.
- Generowanie od nowa całego pliku, aby zmienić jedną linię.
- Akceptowanie kodu bez sprawdzenia jego efektywności: zob. jak sprawić, by AI pisała energooszczędny kod.
Szerszy obraz przedstawia artykuł agentowa AI i marnowanie tokenów.
Źródła
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How we built our multi-agent research system, Anthropic (2025)
- GreenCode Constitution: agent principles for optimizing code and LLM inference energy use, Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
Powiązane
Jak sprawić, by AI pisała energooszczędny kod?
Jak formułować prompty dla narzędzi AI do kodowania, by uzyskać wydajny kod, dlaczego wydajny, ale błędny kod jest bezwartościowy i jak go testować i mierzyć.
Jak sprawić, by agenci AI nie marnowali tokenów?
Praktyczne zabezpieczenia dla agentów AI: warunki zakończenia, limity kroków i tokenów, wykrywanie pętli, przycinanie kontekstu i małe modele do prostych kroków.
Agentowa AI i marnowanie tokenów
Dlaczego agenci AI mogą zużywać wielokrotnie więcej tokenów i energii niż czat, jak pętle je marnują i jakie zabezpieczenia trzymają agentów w ryzach.
Efektywne korzystanie z AI: codzienne nawyki
Codzienne nawyki, które ograniczają zużycie energii przez AI: jasne prompty, mniej ponownych generowań, umiar z obrazami i wideo, buforowanie, wyłączanie.