Anda mempunyai kod, bukan AI 
 
 TL;DR: Jika anda tidak boleh menjelaskan semua kod anda, jangan berkomitmen. TL;DR: Jika anda tidak boleh menjelaskan semua kod anda, jangan berkomitmen. Kesilapan biasa Anda memanggil dan menyelitkan kod yang dihasilkan oleh AI secara langsung ke dalam projek anda tanpa berfikir dua kali. Anda percaya AI tanpa pengesahan dan mewujudkan yang -seseorang lain- anda akan perlu membersihkan kemudian. kerja Anda menganggap bahawa kod berfungsi kerana ia betul (atau cukup rumit untuk mengesankan sesiapa sahaja). kelihatan Anda boleh skip a apabila penolong AI menghasilkan blok besar kerana, betul-betul, ia banyak kod. Penilaian manual Anda memperlakukan output AI sebagai kod siap pengeluaran dan menghantarnya tanpa pemikiran kedua. Jika anda membuat ulasan kod, anda bosan dengan permintaan tarik besar (mungkin dihasilkan oleh AI) yang berasa seperti meninjau novel. Mari kita jujur: AI tidak bertanggungjawab untuk kesilapan anda, Dan anda mahu mengekalkan kerja anda dan dilihat sebagai wajib untuk proses kejuruteraan perisian. you Masalah yang diselesaikan 
 
 
 
 
 
 
 
 
 
 
 Kelemahan dan kelemahan keselamatan: AI menjana kod dengan input yang tidak disanehkan, suntikan SQL, XSS, E-mel, Hallucination Packages, atau kredensial hardcoded Kesilapan logik: AI salah faham keperluan anda dan menyelesaikan masalah yang salah Hutang teknikal: Kod yang dihasilkan menggunakan corak yang lama atau mewujudkan mimpi buruk pemeliharaan Kehilangan tanggungjawab: Anda tidak boleh menjelaskan kod yang anda tidak meninjau Kesilapan tersembunyi: Masalah yang muncul dalam pengeluaran kos 30-100x lebih banyak untuk diperbaiki Cacat pengetahuan: Anda terlepas peluang pembelajaran apabila anda buta menerima penyelesaian Tim Friction: Penilaian anda membazirkan masa menangkap isu-isu yang anda seharusnya temui Paradoks Produktiviti: AI memindahkan hambatan botol daripada menulis kepada integrasi Kekurangan kepercayaan: Kepercayaan pasukan merosakkan apabila kod yang tidak dimiliki menyebabkan kegagalan Noisier Code: PR-PR yang ditulis oleh AI mengandungi 1.7 kali lebih banyak isu daripada PR-PR yang hanya manusia. Kekurangan Bagaimanakah anda boleh melakukannya ️ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Minta AI untuk mencipta kod yang anda perlukan menggunakan bahasa Inggeris Baca setiap baris yang dihasilkan oleh AI, faham dan menantang jika perlu Pastikan bahawa penyelesaian sesuai dengan keperluan sebenar anda Mengesahkan kod menangani kes edge dan kes ralat Mencari masalah keselamatan (injeksi, auth, pendedahan data) Uji kod secara tempatan dengan senario sebenar Jalankan linter, prettifiers, dan pemindai keselamatan anda Mengalih keluar sebarang kod debug atau komen yang anda tidak perlukan Refactor kod untuk sesuai dengan gaya pasukan anda Tambah atau mengemas kini ujian untuk fungsi baru (minta bantuan AI) Tulis mesej komit yang jelas menjelaskan apa yang telah berubah Hanya selepas itu kod Anda Tidak Akan Kehilangan Pekerjaan Anda (Sekarang) Keuntungan Anda menangkap cacat sebelum mereka mencapai pengeluaran. Anda memahami kod yang anda komited. Anda mempunyai tanggungjawab untuk perubahan anda. Anda belajar daripada pendekatan copilot anda dan menjadi pengembang yang lebih baik dalam proses ini. Anda membina tanggungjawab peribadi. Anda membina kerjasama dan kepercayaan pasukan manusia yang lebih baik. Anda menghalang Seperti yang . pelanggaran keselamatan Kemalangan Moltbook Anda mengelakkan kos penyelenggaraan jangka panjang. Anda menyimpan reputasi dan tanggungjawab anda tidak terjejas. Anda seorang profesional yang menunjukkan rasa hormat kepada peninjau kod manusia anda. Anda tidak boleh bersedia. konteks Penolong AI seperti GitHub Copilot, ChatGPT, dan Claude membantu anda mengkodkan lebih cepat. Alat-alat ini menghasilkan kod daripada panggilan bahasa semulajadi dan . Kode Vibe Model AI adalah probabilistik, bukan logik. Mereka meramalkan token seterusnya berdasarkan corak. Apabila anda bekerja pada sistem yang kompleks, AI mungkin terlepas kes tepi tertentu yang hanya manusia tahu. Ulasan manual adalah satu-satunya cara untuk menutup jurang antara "kod yang kelihatan baik" dan "kod yang betul." AI tidak memahami logik perniagaan anda atau Antara anda dan model anda. dunia nyata bijection Peta AI tidak boleh mengetahui keperluan keselamatan anda (kecuali jika anda jelas atau melaksanakan kemahiran). AI tidak boleh menguji kod terhadap persekitaran tertentu anda. awak kekal untuk setiap baris dalam kod pangkalan anda. responsible pengeluaran daripada kod AI yang tidak disemak kos syarikat berjuta-juta. Kekurangan Ulasan kod menangkap banyak risiko keselamatan yang alat automatik terlepas. Organisasi anda membuat anda bertanggungjawab untuk kod yang anda komited. Ini berlaku sama ada anda menulis kod secara manual atau menggunakan bantuan AI. Rujukan segera Bad Prompts class DatabaseManager:
    _instance = None # Singleton Anti Pattern
    def __new__(cls):
        if cls._instance is None:
            cls._instance = super().__new__(cls)
        return cls._instance
    def get_data(self, id):
        return eval(f"SELECT * FROM users WHERE id={id}") 
        # SQL injection!

    ## 741 more cryptic lines
 Good Prompts from typing import Optional
import sqlite3

class DatabaseManager:
  def __init__(self, db_path: str):
    self.db_path = db_path

  def get_user(self, user_id: int) -> Optional[dict]:
    try:
      with sqlite3.connect(self.db_path) as conn:
        conn.row_factory = sqlite3.Row
        cursor = conn.cursor()
        cursor.execute("SELECT * FROM users WHERE id = ?", (user_id,))
        row = cursor.fetchone()
        return dict(row) if row else None
    except sqlite3.Error as e:
        print(f"Database error: {e}")
        return None

db = DatabaseManager("app.db")
user = db.get_user(123)
 Pertimbangan ✔️ Anda tidak boleh menyalahkan AI apabila kecacatan muncul dalam pengeluaran. Adalah manusia yang bertanggungjawab, bukan AI. Kod yang dihasilkan oleh AI mungkin melanggar dasar lesen syarikat anda. AI mungkin menggunakan perpustakaan yang telah usang atau corak yang telah usang. Kod yang dihasilkan mungkin tidak mengikut konvensi pasukan anda. Anda perlu memahami kod untuk mengekalkan ia kemudian. Pengembang lain akan meninjau kod yang dibantu AI anda seperti yang lain. Sesetengah model AI melatih di repositori awam dan mungkin bocor corak. Jenis [X] Semi automatik Perbezaan ☀️ Anda perlu menggunakan tip ini untuk Anda tidak boleh melepaskan ia walaupun untuk "sederhana" refactor. every ️ ️ 
 
 Pembacaan Tahap [X] Permulaan Tips yang berkaitan 
 
 
 
 
 
 Ulasan diri kod anda sebelum meminta tinjauan peer Menulis ujian untuk fungsi yang dihasilkan oleh AI Dokumen AI-Assisted Kod Keputusan Menggunakan analisis statik pada kod yang dihasilkan faham sebelum berkomitmen Kesimpulan Asisten AI mempercepatkan kelajuan kod anda. Anda masih mempunyai Anda berkomitmen every line Pemeriksaan manual dan menangkap apa alat automatik yang hilang. Kode Pengesahan Sebelum pengeluar kod AI menjadi mainstream, amalan yang sangat baik ialah membuat daripada kod sebelum meminta penilaian peer. Penilaian diri Anda belajar lebih banyak apabila anda mempertanyakan pilihan AI dan memahami 'mengapa' di sebalik mereka. Reputasi anda bergantung kepada kualiti kod, bukan seberapa cepat anda boleh mengeluarkan kod. Ambil tanggungjawab untuk kod yang anda kirim - nama anda ada di atasnya. Pertimbangkan segala-galanya. jangan berkomitmen dengan buta. diri masa depan anda akan berterima kasih kepada anda. Berikan komitmen yang sangat kecil, dan . Pastikan kandungan anda segar Maklumat lanjut i️ https://hackernoon.com/code-smell-313-workslop-in-ai-assisted-programming https://hackernoon.com/how-to-find-the-stinky-parts-of-your-code-part-xxxviii https://hackernoon.com/code-smell-300-package-hallucination https://martinfowler.com/articles/code-review.html https://learning.oreilly.com/library/view/perform-code-reviews/9781098172657/ch01.html https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report https://medium.com/@mozaman/the-productivity-paradox-of-ai-why-commits-and-prs-dont-tell-the-story-ceb68a453f54 https://google.github.io/eng-practices/review/ https://www.atlassian.com/agile/software-development/code-reviews https://pragprog.com/titles/tpp20/the-pragmatic-programmer-20th-anniversary-edition/ https://standards.ieee.org/standard/1028-2008.html juga dikenali sebagai 
 
 
 
 
 
 Pengenalan kepada Human-in-the-Loop Code Kode Pengesahan Tanggungjawab pembangunan yang dibantu AI LLM pengesahan output Pengesahan Kod Copilot Alat 
 
 
 
 
 
 
 SonarQube (analisis statik) Snyk (scan keselamatan) ESLint / Pylint (Linters) dalam talian GitLab / GitHub (Platform Ulasan Kod) Semgrep (scan berasaskan pattern) CodeRabbit / Ulasan kod yang dibantu AI Disclaimer Pendapat yang dinyatakan di sini merupakan pendapat saya sendiri. Saya seorang manusia yang menulis sebaik mungkin untuk orang lain. Saya menggunakan alat proofreading AI untuk memperbaiki beberapa teks. Saya mengalu-alukan kritik dan dialog yang konstruktif. Saya membentuk wawasan ini melalui 30 tahun dalam industri perisian, 25 tahun pengajaran, dan menulis lebih daripada 500 artikel dan buku. Artikel ini merupakan sebahagian daripada Seri yang Tag: tip koding https://maximilianocontieri.com/ai-coding-tips

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Winner of Noonies 2020 for the award Hacker Noon Contributor of the Year - REFACTORING.

Tip Koding AI 006 - Pertimbangkan Setiap Garis Sebelum Berkomitmen

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps