W skrócie
Należy wprost poprosić o wydajny kod i nazwać ograniczenie, na przykład pamięć, alokacje lub złożoność algorytmiczną, a przed przyjęciem kodu uruchomić testy i zmierzyć jego zużycie energii. Badania wykazały, że zmiany w prompcie mogą uczynić wygenerowany kod nawet o 91,9% bardziej energooszczędnym, ale często kosztem poprawności. Warto dać asystentowi zasady energetyczne do przestrzegania, a wynik powinien sprawdzać człowiek.
Kroki
- Poprosić o wydajny kod i nazwać istotne ograniczenie, na przykład pamięć lub liczbę zapytań do bazy danych.
- Przekazać asystentowi pełny opis problemu, a nie skrócony.
- Uruchomić zestaw testów na wszystkim, co wygeneruje.
- Zmierzyć energię, a przynajmniej czas działania i zużycie pamięci, przed zmianą i po niej, na tym samym komputerze.
- Dać asystentowi spisany zestaw zasad energetycznych lub antywzorców, według których ma sprawdzać kod.
Należy wprost poprosić o wydajność, a potem ją sprawdzić. Asystenci AI piszą kod, który przechodzi testy, ale bywa rozrzutny: pętle z zapytaniami do bazy danych w środku, zbędne kopie, powtarzana praca.
Co pokazują dane?
EnergyBench autorstwa Ionescu, Jensena i Thomsena ocenia kod napisany przez AI pod kątem zarówno poprawności, jak i zużycia energii. Autorzy ustalili, że zmiana promptu może uczynić wygenerowany kod nawet o 91,9% bardziej energooszczędnym, ale często kosztem dokładności. W niektórych przypadkach usunięcie połowy opisu problemu dawało kod ponad cztery razy wydajniejszy, a poprawność spadała do zera. Kod wydajny, ale błędny, jest nic niewart.
Jak formułować prompt?
- Nazwać ograniczenie. „Unikaj zapytania do bazy danych wewnątrz pętli”, „przetwarzaj plik strumieniowo zamiast wczytywać go do pamięci”, „zachowaj złożoność O(n log n)”.
- Zachować pełną specyfikację. Nie należy skracać opisu problemu, by oszczędzić tokeny; to właśnie wtedy znika poprawność.
- Dać mu zasady. Badacze GreenCode opublikowali GreenCode Constitution, zestaw zasad energetycznych i antywzorców, którymi może kierować się agent AI do kodowania: profilować kod, usuwać antywzorce według ich ważności, mierzyć ponownie i zachowywać tylko zmiany, które oszczędzają energię.
Częste błędy
- Wiara w słowo „zoptymalizowany” w odpowiedzi. Należy mierzyć na tym samym komputerze przy tym samym obciążeniu.
- Utożsamianie szybszego z bardziej ekologicznym. Prace GreenCode wykazały, że energia i szybkość mogą się rozchodzić; należy mierzyć jedno i drugie. Zob. jak zmierzyć energię zużywaną przez AI na własnym komputerze.
- Pomijanie przeglądu wygenerowanego kodu, którego nie napisało się samodzielnie.
Metody pomiaru opisuje strona jak mierzyć energię i emisje AI.
Źródła
- EnergyBench: holistic benchmark for correct and energy-efficient LLM-generated code, Ionescu, Jensen and Thomsen, FLTA 2025 (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)
- Web Sustainability Guidelines, W3C (2025)
Powiązane
Jak korzystać z asystenta AI do programowania bez dużego śladu?
Jak zachować korzyści z asystentów AI do programowania i ograniczyć zmarnowane tokeny: właściwy model, skupiony kontekst, podział zadań na kroki.
Jak zmierzyć, ile energii zużywa AI na moim komputerze lub GPU?
Pomiar energii lokalnej AI: liczniki sprzętowe, telemetria GPU lub miernik w gniazdku, próbkowanie przez całe zadanie i odjęcie poboru w spoczynku.
Jak mierzyć zużycie energii i emisje AI
Praktyczny przewodnik po pomiarze lub szacowaniu energii i emisji AI: narzędzia, granice systemu, wskaźniki na zadanie i uczciwa niepewność.
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.