Git vous dit ce qui a changé. Causari vous explique pourquoi.

DEV - 08/07
Causari est une première CLI locale pour le traçage des invites, des sorties de modèles, des lectures de fichiers, des différences et de l'impact en aval des modifications de code assistées par l'IA.

Les agents de codage de l’IA deviennent suffisamment performants pour toucher de véritables bases de code.

Ils peuvent refactoriser des fichiers, écrire des tests, modifier l'architecture, déplacer la logique et parfois modifier plus de code en dix minutes qu'un humain ne le ferait en un après-midi.

C'est puissant.

Mais cela crée un nouveau problème de débogage.

Git peut vous dire ce qui a changé.

Lorsqu’un agent IA est impliqué, vous avez souvent besoin de savoir quelque chose de plus profond :

  • Pourquoi ce changement s’est-il produit ?
  • Quelle invite a provoqué cette ligne ?
  • Quel modèle l'a produit ?
  • Quels fichiers l'agent a-t-il lu avant de l'écrire ?
  • Quels changements ultérieurs dépendaient de l’action de cet agent ?

C'est le problème que je voulais résoudre avec Causari.

Causari est une CLI locale pour le code adressable par intention.

Il enregistre les actions des agents d'IA en tant qu'événements causals : invites, modèles, lectures, écritures, différences, raisonnements, coûts et relations entre les actions.

Le but est simple :

Git suit les octets. Causari suit l'intention et la causalité.

Dépôt : https://github.com/croviatrust/causari Site Web : https://causari.dev

Le problème

Lorsqu'un développeur humain modifie le code, il y a généralement un certain contexte.

Un message de validation. Une demande de tirage. Un billet. Une discussion. Une décision de conception.

Avec les agents de codage IA, le flux de travail est différent.

Vous demandez quelque chose comme ceci :

Refactorisez le flux d'authentification et ajoutez la logique d'actualisation JWT.
Entrer en mode plein écran Quitter le mode plein écran

L'agent lit des fichiers, fait des hypothèses, écrit du code, corrige peut-être des tests, change peut-être quelque chose sans rapport, puis passe à autre chose.

À la fin, vous avez une différence.

Mais la différence ne raconte pas toute l’histoire.

Une ligne suspecte apparaît dansauth.ts.

Git peut montrer quand la ligne est apparue.

Mais Git ne peut pas répondre :

quelle invite a produit cette ligne exacte ? de quelle réalisation vient-il ? l'agent a-t-il d'abord lu les bons fichiers ? Est-ce que cela faisait partie de la demande initiale ou était-ce un effet secondaire accidentel ? si j'annule cela, quel travail en aval suis-je également en train d'annuler ?
Entrer en mode plein écran Quitter le mode plein écran

Cet écart se creuse à mesure que les agents deviennent plus autonomes.

Plus les agents travaillent, plus nous avons besoin de provenance.

Pas seulement la provenance du code.

Provenance intentionnelle.

L'idée : un code adressable par intention

Causari traite l’action d’un agent IA comme quelque chose qui doit être traçable.

Pas seulement comme une différence Git.

Mais comme un événement avec cause et effet.

Un événement peut inclure :

  • l'invite
  • le modèle
  • les fichiers lus
  • les fichiers écrits
  • la différence
  • le raisonnement ou le message
  • informations sur les jetons et les coûts
  • la relation causale avec les événem...
    [Courte citation de 8% de l'article original]