Model nie kompiluje kodu — operuje na sekwencjach tokenów dobranych z dystrybucji prawdopodobieństwa kontekst→kontynuacja. Z tego wynika asymetria: skuteczność tam gdzie wzorzec jest powszechny, halucynacje tam gdzie rzadki.
Tokenizacja przekłada tekst kodu na jednostki, które model widzi i policzy w kontekście. Każdy token to koszt — w pieniądzu i w oknie kontekstowym. Świadomość tej asymetrii zmienia jak prowadzisz sesję.
Okno kontekstowe definiuje granicę wszystkiego co model uwzględni; temperature steruje stopniem deterministyczności. Dwa parametry, które programista ustawia raz i potem zapomina — choć wpływają na wynik bardziej niż wybór modelu.
Trzy strategie dostosowania modelu do projektu: prompt engineering (najtaniej), RAG (umiarkowanie), fine-tuning (najdroższe). Wybór wynika z volume + tempa zmian wiedzy, nie z mody.
Trzy tryby pracy z asystentem AI: IDE (suggestion), CLI (agent), sandbox (autonomiczny PR). Każdy ma własny use-case, profil zaufania, i koszt mentalny.
Operacje nad kodem dzielą się na trzy poziomy abstrakcji: completion (1-2 linie), generation (funkcja/blok), synthesis (system). Świadomy wybór poziomu reguluje ryzyko i wartość.
Klasyczna inżynieria zajmowała się kodem. Inżynieria z AI zajmuje się kodem PLUS kontekstem, w którym jest interpretowany. To nowy wymiar pracy — kuratorstwo i selekcja.
Generatywne AI w kodzie wprowadza specyficzne ryzyka: halucynacje API, security vulnerabilities, dependency drift, license contamination. Wszystkie wymagają świadomych guardrails — nie zostaną mitygowane domyślnie.
Dialogowa dyscyplina to zestaw reguł codziennej pracy z asystentem: ośmiosekundowy timer akceptacji, post-przyjęciowa odpowiedzialność, dyspersja umiejętności. Antywzorce wynikają z porzucenia tych reguł.