Ahhoz, hogy első kézből megértsem az AI hatását a szoftverfejlesztési életciklusra (SDLC), úgy döntöttem, hogy kísérletet végezek. megpróbáltam megpróbálni megírni egy meglehetősen összetett rendszert a semmiből az AI használatával. Nem akartam egy "Hello World" vagy egy másik "To Do" alkalmazást; valamit akartam valósághű, valamit, amit a vállalati világban építünk. Az eredmény az - egy szórakoztató projekt, amely ötvözi a technológia és a vadon élő állatok iránti szenvedélyemet. Under The Hedge A kísérlet számos kulcsfontosságú megállapítást hozott, érvényesítve és hozzáadva a gyakorlati kontextust a szélesebb iparági trendekhez: 
 
 
 
 
 
 Az AI gyorsabbá teszi a fejlesztőket, vagy csak rosszabbá teszi őket? kísérleteztem, hogy kiderítsem. A „stabilitási adó”: Fedezze fel a nagy sebességű mesterséges intelligencia kódgenerálásának rejtett költségeit, és miért táplálja a technikai adósságot. Vibe Coding is Dead: Ismerje meg, miért generál kódot a természetes nyelvi utasítások emeli a sávot a fejlesztők elsajátítása, nem csökkenti azt. A bizalmi paradoxon: Miért használják a fejlesztők 90%-a az AI-t, de 30%-uk nem bízik az írott kódvonalban? The Bricklayer vs. The Site Foreman: A fejlesztő szerepének új modellje az AI korában. The Project: Under The Hedge Címke: a fedezet alatt Elkezdtem létrehozni egy közösségi platformot a vadon élő állatok megosztására és felfedezésére - lényegében egy Instagram / Strava a vadon élő állatok számára. Annak érdekében, hogy megértsük a projekt méretét, ez magában foglalja: 
 
 
 
 
 
 
 
 AI-Powered Analysis: A felhasználók feltöltik a fényképeket, és a rendszer a Gemini-t használja a fajok automatikus azonosítására, a viselkedés leírására és egy „érdekű pontszám” hozzárendelésére a képben zajló események és a helyek tudatosságának alapján. Komplex földrajzi adatok: interaktív térképek, geohashing a hely követéséhez, és pontos koordináták kivonása az EXIF adatokból. Nagy teljesítményű adatréteg: Az AWS DynamoDB-ben a skálázható és vérzéses sebességű egy táblázat-tervezés a komplex adathozzáférési minták kezelésére, a milliszekundum alatti késleltetéssel. Skálázható médiainfrastruktúra: Erős médiaelem, amely az AWS CloudFront szolgáltatást használja a nagy felbontású képek és videók hatékony gyorsítótárolására és kiszolgálására a felhasználók számára világszerte. Szociális grafikon: A teljes követési rendszer (követő felhasználók, fajok, helyek vagy hashtagek), szálas megjegyzések és tevékenységek. Gamification: Helyezzen vezetői táblákat a helyiek bevonására. Enterprise Security: Biztonságos auth az AWS Cognito, adatvédelmi ellenőrzések és moderációs eszközök segítségével. Itt ellenőrizheti: https://www.underthehedge.com The Industry Context Ipari kontextus Mielőtt megosztanám azt, amit az Under The Hedge fejlesztése során találtam, meg kell vizsgálnunk, hogy az ipar többi része mit mond az elmúlt néhány év tanulmányai alapján. Ahogy 2025 végére érkezünk, az AI-támogatott fejlesztésekkel kapcsolatos történet az egyszerű „sebességtől” egy árnyaltabb valósággá fejlődött.A 2025-ös DORA (DevOps Research and Assessment) jelentés egyetlen erőteljes koncepcióval határozza meg ezt a korszakot: az AI egy erősítő. Throughput vs. Stability A 2025-ös adatok kritikus változást mutatnak a korábbi évekhez képest. 2024-ben a korai adatok azt sugallják, hogy az AI valóban lelassíthatja a szállítást. Azonban a 2025-ös DORA jelentés megerősíti, hogy a csapatok alkalmazkodtak: az AI elfogadása most pozitívan korrelál a megnövekedett szállítási átvitellel. A jelentés megerősíti, hogy ahogy az AI elfogadása növekszik, a szállítási stabilitás továbbra is csökken.A kódgeneráció súrlódása szinte nullára csökkent, ami a kódmennyiség növekedését eredményezi, ami elnyomja a downstream tesztelési és felülvizsgálati folyamatokat. Vibe Coding Bug Spike Ezt az instabilitást külső tanulmányok is alátámasztják.Az Uplevel 2024-es kutatása azt mutatta, hogy míg a fejlesztők produktívabbnak érzik magukat, a hibaarány 41%-kal emelkedett az AI-támogatott húzási kérelmek esetében.Ez összhangban van a „vibe kódolás” jelenségével – a természetes nyelvi utasításokon keresztül kódot generálva a mögöttes szintaxis mély megértése nélkül.A kód jól néz ki, de gyakran tartalmaz finom logikai hibákat, amelyek átadják az eredeti felülvizsgálatot. The Trust Paradox Annak ellenére, hogy a fejlesztők 90%-a használja az AI-eszközöket, továbbra is jelentős „bizalmi paradoxon” maradt.A 2025-ös DORA jelentés kiemeli, hogy a szakemberek 30%-a még mindig kevésbé vagy semmilyen bizalommal rendelkezik az AI által generált kódban. Az eszközöket használjuk, de óvatosak vagyunk velük szemben - úgy kezeljük az AI-t, mint egy "junior gyakornokot", amely állandó felügyeletet igényel. Code Churn and Technical Debt A „Don’t Repeat Yourself” (Ne ismételje meg magát) halála A kódminőséget illetően a leginkább elítélő bizonyítékok a GitClear 2025 AI Copilot Code Quality jelentéséből származnak.A 211 millió kódvonal elemzésével 2024-ben „kétséges mérföldkő” volt: a „Copy/Pasted” vonalak (12,3%) mennyisége először meghaladta a „Moved” vagy a „Refactored” vonalakat (9,5%). A jelentés részletezi a duplikált kódblokkok 8-szoros növekedését és a „churn” kód éles növekedését, amelyet két héten belül írnak, majd felülvizsgálnak vagy törölnek. Ez azt jelzi, hogy az AI egy „csak íráskultúrát” táplál, ahol a fejlesztők könnyebbnek találják az új, ismétlődő kódblokkok létrehozását, mint a meglévő logika modulárisvá tételét. Security Risks A Veracode 2025-ös elemzése szerint az AI által generált kódminták 45%-a nem biztonságos biztonsági réseket tartalmazott, a Java-hoz hasonló nyelvek esetében a biztonsági átutalási arány 29%-nál alacsonyabb volt. So what do these studies tell us? Az adatok világos képet ábrázolnak: az AI multiplikátorként működik. Megerősíti a sebességet, de ha nem kezeli megfelelően, akkor megerősíti a hibákat, a technikai adósságot és a biztonsági hibákat is. What my Experiment Taught Me Amit a kísérlet megtanított Az általam választott eszközök a Gemini az építészet/tervezéshez és a Cursor a megvalósításhoz. Épület Ez egy szemet nyitó gyakorlat volt, amely mind megerősítette az iparág megállapításait, mind kiemelte az AI-támogatott fejlesztés gyakorlati, emberi elemét. Under The Hedge The Velocity Multiplier sebesség multiplikátor Bár nem tartottam szigorú időnaplókat, becslésem szerint ezt az egész rendszert – egy meglehetősen bonyolult, vállalati méretű platformot – egy hónapnál kevesebb teljes munkaidős munkával (kb. heti 9-5, 5 nap) tudnám megvalósítani. Számomra a legnagyobb személyes hatás, amely talán inkább a motivációról szól, mint a tiszta sebességről, az volt az állandó visszajelzési lánc. A múltbeli személyes projektekben gyakran apró, bonyolult részletekben csapódtam be, ami kimerültséghez vezetett. Ezekkel az eszközökkel teljes, összetett funkcionalitást tudtam végrehajtani - például egy teljes társadalmi táplálékrendszert - a fiam fürdőjének futtatásához szükséges idő alatt. The "Stability Tax" in Practice A „stabilitási adó” a gyakorlatban Tapasztalataim igazolták az iparág növekvő aggodalmát a „stabilitási adó” miatt – a szállítási stabilitás csökkenése a megnövekedett kódmennyiség miatt. Megállapítottam, hogy az AI kivételesen jól végzi a jól meghatározott, elkülönített feladatokat; komplex térképkomponensek vagy kifinomult médiafelhasználók építése másodpercek alatt történt, olyan feladatok, amelyek általában napokat vagy akár heteket vesz igénybe. 
 
 
 Bloat and Duplication: Az AI következetesen a leggyorsabb megoldás, nem a legjobb, kivéve, ha kifejezetten másként utasították. Ez hatástalan, megduzzadt kódot eredményezett. Amikor egy nehéz problémát kezelt, gyakran "brutális erővel" megoldotta a megoldást, több redundáns kódút megvalósításával a probléma megoldásának reményében. A "DRY" halálát megerősítették: Gyakran megfigyeltem, hogy az AI egész kódrészeket duplikál, ahelyett, hogy újrafelhasználható alkatrészeket vagy segédmódszereket hozna létre. Ez közvetlen bizonyíték a GitClear jelentésben kiemelt "csak írott" kultúrára, amely a másolt/elhalasztott sorok és kódok növekedését táplálja. Ha egy egyszerű adatszerződést (például adatbázis-tulajdonság átnevezését) megváltoztatnék, az AI gyakran megpróbálja fenntartani a visszamenőleges kompatibilitást mind a régi, mind az új forgatókönyvek kezelésével, ami felesleges kódfújáshoz vezet. Végső soron meg kellett tartanom a rendszerek mély megértését, hogy biztosítsam a legjobb gyakorlatok végrehajtását, megerősítve a "Trust Paradox" -ot, ahol a fejlesztők úgy kezelik az AI-t, mint egy junior gyakornokot, amely állandó felügyeletet igényel. Security and Knowledge Gaps Biztonsági és tudáshiány A biztonsági kockázatok, amelyeket a A mesterséges intelligencia alapértelmezés szerint ritkán ad prioritást a biztonságnak; kifejezetten arra kellett ösztönöznem, hogy fontolja meg és hajtson végre biztonsági fejlesztéseket. Veracode Amikor megpróbáltam integrálni az új Cognito Hosted UI-t, a modell jelentősen küzdött, ismétlődő görbékbe kerülve a jelenlegi képzési adatok hiánya miatt. Az alkatrészeknek össze kellett illeszkedniük, gyorsan tudtam vezetni az AI-t a helyes megoldáshoz, hangsúlyozva, hogy a mély fogalmi megértés továbbra is kiemelkedő fontosságú. Hogyan AI as a "Coaching Tool" Az AI mint „coaching eszköz” A hiányosságai ellenére az AI nagyszerű tanulási eszköznek bizonyult. A Next.js és az AWS Amplify újoncaként a prototípusok gyors megszerzésének képessége motivált. Amikor olyan funkciókkal találkoztam, amelyeket nem értettem, az AI-t edzőként használtam, és megkértem, hogy magyarázza meg a fogalmakat. Ezután a generált kódot hivatalos dokumentációval kereszthivatkoztam, hogy biztosítsam a legjobb gyakorlatok betartását. Azáltal, hogy aktívan megpróbáltam megérteni, majd az AI-t jobb megoldások felé vezettem, jelentősen felgyorsíthattam a tanulást. How to Help AI Be a Better Code Companion Hogyan lehet segíteni az AI-t, hogy jobb kódtárssá váljon A „stabilitási adó” mérséklése és az AI sebességének maximalizálása érdekében a proaktív, fegyelmezett megközelítés elengedhetetlen: 
 
 
 
 
 A részletes előtervezés kulcsfontosságú: Használjon olyan eszközöket, mint a Gemini (a mélyreható kutatási funkció használatával), hogy részletes előírásokat, építészeti diagramokat és tervezési dokumentumokat hozzon létre a megvalósítás megkezdése előtt.  Instead of relying on the AI to spontaneously generate quality code, we must proactively instruct it to maintain standards. This includes designing regular, specific prompts focused on:
 
 Explicitly Enforce Quality Gates: 
 
 
 
 Identifying security improvements. Identifying performance issues or potential optimisations. Identifying duplicated or redundant code. A mesterséges intelligencia kihasználása a minőségbiztosítás érdekében: A mesterséges intelligencia használatával visszamenőlegesen elemezheti a generált kódot, és azonosíthatja a refaktorozási vagy javítási területeket, ami sokkal gyorsabb feladat, mint egy kézi emberi felülvizsgálat. Használjunk mesterséges intelligenciát az egész SDLC-hez: A mesterséges intelligenciát a funkciótervezési dokumentumok, az epikus dokumentumok és az egyéni feladatok írásához és önértékeléséhez kell telepítenünk, és döntő fontosságú, hogy átfogó tesztterveket és automatizált teszteket írjunk fel a "vibe kódoláshoz" kapcsolódó finom logikai hibák elhárításához. Conclusion: The End of "Vibe Coding" Tehát abba kell hagynunk az AI-t a szoftverfejlesztéshez? Most visszavonulni az AI-tól az lenne, ha figyelmen kívül hagynánk a mérnöki termelékenység legnagyobb tőkeáttételét, amit évtizedek óta látunk. Számomra bebizonyosodott, hogy egyetlen fejlesztő, ezekkel az eszközökkel felfegyverkezve, jóval meghaladhatja súlyosztályát, és az idő töredékében vállalati szintű architektúrát tud nyújtani. Absolutely not. Under The Hedge A könnyű kódgeneráció „Sugar Rush” ideje lejárt, és a „Stability Tax” ideje lejárt. Az adatok és a saját tapasztalatom egy egységes, elkerülhetetlen igazságon alapulnak: AI lowers the barrier to entry, but it raises the bar for mastery. Mivel az AI alapértelmezés szerint felfújja a kódbázisokat és finom bizonytalanságokat vezet be, az emberi fejlesztő kritikusabb, mint valaha. Értékeink teljes egészében a Átmenetben vagyunk, hogy téglalapok legyünk a helyszínen. szintaxis Szemantika, architektúra és minőségellenőrzés Ha az AI-t olyan varázslatként kezeljük, amely mentesít minket a mögöttes technológia megértésének szükségességétől, akkor a technikai adósságok, a „kétséges” másolási minták és a biztonsági sérülékenységek tengerében elsüllyedünk.De ha az AI-t fáradhatatlan, ragyogó, de néha elgondolatlan junior gyakornokként kezeljük - olyan, amely szigorú előírásokat, állandó kódvizsgálatot és építészeti útmutatást igényel - hihetetlen dolgokat érhetünk el. Az út nem az, hogy abbahagyjuk az eszközök használatát, hanem az, hogy abbahagyjuk a "vibe kódolást" és elkezdjük A mesterséges intelligenciát nemcsak a kód megírására, hanem annak kihívására, tesztelésére és finomítására kell használnunk. Mérnöki Csak azt kívánom, hogy a kísérletem olyan dolgot eredményezzen, ami sok pénzt hozna nekem ahelyett, hogy csak a galambokat követném! 😂 Köszönöm, hogy elolvasta, kérjük, nézze meg a többi gondolatomat a denoise.digital oldalon.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Decode the Tech Noise

Read My Stories

Ez a hanganyag a történet eredeti nyelvén készült!

Építettem egy vállalati méretű alkalmazást AI-val. Itt van, mi volt helyes - és rossz

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

A SECOND ENIGMA

How Emoji Credibility Indicators Add Context to HackerNoon Stories

Of The First and Last Things: Part 3

Of The First and Last Things: Part 1

A SECOND ENIGMA

How Emoji Credibility Indicators Add Context to HackerNoon Stories

Of The First and Last Things: Part 3

Of The First and Last Things: Part 1

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps