- Le code n’est pas un moyen idéal pour écrire la logique métier
- Utiliser un LLM pour créer un backend + une base de données. Lors d’un appel d’API, il peut déduire la logique métier à partir du nom et enregistrer l’état
- Fonctionnement
- Expliquer au LLM l’objectif du backend ("C’est une appli de to-do")
- Écrire le JSON BLOB initial de l’état de la base (
{todo_items: [{title: "eat breakfast", completed: true}, {title: "go to school", completed: false}]})
- Démarrer les appels d’API. Le backend est alors complété en déduisant la logique métier et en mettant à jour l’état
- Pourquoi c’est l’avenir
- Possible d’itérer côté frontend sans même savoir à quoi ressemble le backend
- Facile à modifier même si le backend renvoie un format différent
- Aucun problème même avec une faute de frappe dans le nom de l’API
- Serverless sans cold start
2 commentaires
C’est intéressant. En regardant un peu le code, comme ils utilisent même gpt3 pour le parsing JSON, j’ai l’impression qu’il pourrait aussi générer sans trop de problème des requêtes d’insertion ou de mise à jour en base de données. Ça pourrait aussi être très pratique quand on n’a pas le temps de créer une Mock API.
C’est un projet qui a remporté la 1re place au hackathon de Scale.ai. Pour une explication détaillée, le plus simple est de consulter le thread Twitter.
https://nitter.1d4.us/DYtweetshere/status/1617471632909676544