Dans le monde du développement frontend, la migration de tests d’une bibliothèque à une autre peut représenter un défi de taille. C’est exactement ce que Slack a entrepris en convertissant plus de 15 000 tests de Enzyme à React Testing Library, une tâche qui aurait pris aux développeurs des milliers d’heures sans l’aide d’outils avancés, y compris l’intelligence artificielle (IA). Cette démarche ne manquait pas de susciter des réactions variées parmi les développeurs, certains vantant les mérites des macros Vim, d’autres critiquant les résultats obtenus par l’IA.
L’une des premières réactions fut celle d’AmalgatedAmoeba qui remettait en cause l’efficacité de l’approche IA en la comparant à des transformations syntaxiques simples effectuées avec des macros Vim. Dgan a rapidement bifurqué sur ce sujet, soulignant que les transformations fines utilisant l’arbre syntaxique abstrait (AST) n’avaient réussi qu’un taux de conversion de 45%. Les macros Vim, quant à elles, offraient une approche interactive et flexible adaptée à la volée des transformations.
Dr_Birdbrain a d’ailleurs étayé cette flexibilité des macros Vim en indiquant leur capacité à s’adapter en temps réel. Il a expliqué que dans un projet de conversion, un simple script n’était pas suffisant, mais qu’une série de macros bien définies pouvait ajuster les transformations selon les besoins spécifiques de chaque segment de code. Les macros peuvent être enregistrées et réutilisées de manière contextuelle, ce qui ajoute une dimension puissante et interactive à la gestion des transformations.
Certains utilisateurs, comme duffmancd, ont apporté des ressources supplémentaires pour mieux comprendre l’application des macros Vim. Il a partagé un enregistrement de Vimcast où un macro complexe convertissait un fichier Markdown en HTML, illustrant ainsi la complexité et la flexibilité des macros qui peuvent être utilisées pour effectuer des transformations élaborées. Toutefois, rlupi a souligné la quantité colossale de travail qu’impliquait la conversion de 15 000 tests, une tâche extenuante pour toute équipe de développement, peu importe les outils utilisés.
En parallèle, d’autres débats ont émergé autour de l’application de l’IA. Morgante a voulu rappeler qu’avant d’adopter les LLM (Modèles de Langage Large), les tentatives de transformation basées sur des règles avaient été essayées, avec une explosion de la complexité qui avait conduit à un pivot stratégique pour associer AST et IA. Cette approche combinée avait certes permis d’atteindre un taux de conversion de 80% sur des fichiers sélectionnés, mais la précision et l’efficacité des résultats restaient partiellement en dessous des attentes initiales.
Un autre aspect discuté était la méthodologie de test elle-même. Certain(e)s développeurs, comme trescenzi, ont exprimé des inquiétudes sur la fiabilité et la pertinence des tests après leur conversion. Rédiger des tests qui passent sans vérifier réellement les comportements attendus pourrait fausser la qualité du code. De ce fait, une revue attentive et systématique des tests convertis est essentielle pour assurer que les tests apportent une valeur ajoutée réelle au projet.
Enfin, la tendance à se fier aux LLM pour la conversion de code reflète une philosophie plus vaste dans le monde du développement logiciel. Si l’IA peut indéniablement accélérer certains processus et offrir des gains de productivité, la supervision humaine reste indispensable. Comme l’a noté cdogl, l’implication des développeurs pour valider et réviser les transformations est cruciale. Les outils automatisés, bien qu’efficaces, ne remplaceront pas l’œil critique et expérimenté des développeurs dans un avenir immédiat.
Leave a Reply