Bạn sở hữu mã, không phải AI 
 
 TL;DR: Nếu bạn không thể giải thích tất cả mã của bạn, đừng cam kết nó. TL;DR: Nếu bạn không thể giải thích tất cả mã của bạn, đừng cam kết nó. Sai lầm thường gặp Bạn yêu cầu và dán mã được tạo ra bởi AI trực tiếp vào dự án của bạn mà không suy nghĩ hai lần. Bạn tin tưởng AI mà không cần xác minh và tạo ra đó ~ ai đó khác ~ bạn sẽ phải dọn dẹp sau. làm việc Bạn cho rằng mã hoạt động bởi vì nó đúng (hoặc phức tạp đủ để gây ấn tượng với bất cứ ai). Nhìn bạn skip a khi trợ lý AI tạo ra các khối lớn bởi vì, tốt, đó là rất nhiều mã. Manual xem xét Bạn xử lý đầu ra AI như mã sẵn sàng sản xuất và gửi nó mà không cần suy nghĩ lần thứ hai. Nếu bạn đang thực hiện đánh giá mã, bạn cảm thấy mệt mỏi với các yêu cầu kéo lớn (có thể được tạo ra bởi AI) cảm thấy như xem xét một cuốn tiểu thuyết. Hãy thành thật: AI không chịu trách nhiệm về những sai lầm của bạn, Và bạn muốn giữ công việc của mình và được coi là bắt buộc cho quá trình kỹ thuật phần mềm. you Các vấn đề được giải quyết 
 
 
 
 
 
 
 
 
 
 
 Lỗ hổng và lỗ hổng bảo mật: AI tạo ra mã với Không sanitized input, SQL injection, XSS, Email, Packages Hallucination, hoặc hardcoded credentials Sai lầm logic: AI hiểu sai các yêu cầu của bạn và giải quyết sai vấn đề Nợ kỹ thuật: Mã được tạo ra sử dụng các mẫu lỗi thời hoặc tạo ra cơn ác mộng bảo trì Mất trách nhiệm: Bạn không thể giải thích mã mà bạn không xem xét Lỗi ẩn: Các vấn đề xuất hiện trong sản xuất chi phí 30-100x nhiều hơn để sửa chữa Lỗ hổng kiến thức: Bạn bỏ lỡ cơ hội học tập khi bạn mù quáng chấp nhận các giải pháp Team friction: Các nhà đánh giá của bạn lãng phí thời gian bắt các vấn đề bạn nên tìm thấy Sự nghịch lý về năng suất: AI chuyển chặng đường chai từ viết sang hội nhập Thiếu sự tin tưởng: Sự tin tưởng của nhóm bị xói mòn khi mã không thuộc sở hữu gây ra thất bại Code Noisier: PR được tạo ra bởi AI chứa 1,7 lần các vấn đề hơn so với PR chỉ dành cho con người. khuyết điểm Làm thế nào để làm điều đó ️ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Yêu cầu AI tạo ra mã bạn cần sử dụng ngôn ngữ tiếng Anh Đọc từng dòng mà AI tạo ra, hiểu nó và thách thức nó nếu cần thiết. Kiểm tra xem giải pháp phù hợp với yêu cầu thực tế của bạn Kiểm tra mã xử lý trường hợp cạnh và lỗi Tìm kiếm các vấn đề bảo mật (injection, auth, data exposure) Kiểm tra mã cục bộ với các kịch bản thực tế Chạy đèn chiếu sáng, prettifiers và máy quét an ninh của bạn Loại bỏ bất kỳ mã debug hoặc bình luận nào bạn không cần Refactor mã để phù hợp với phong cách của nhóm của bạn Thêm hoặc cập nhật các bài kiểm tra cho chức năng mới (yêu cầu AI giúp đỡ) Viết một thông điệp cam kết rõ ràng giải thích những gì đã thay đổi Chỉ sau đó thực hiện mã Bạn sẽ không mất công việc của bạn (bây giờ) Lợi ích Bạn bắt các khuyết điểm trước khi chúng đến sản xuất. Bạn hiểu mã bạn cam kết. Bạn phải chịu trách nhiệm về những thay đổi của mình. Bạn học hỏi từ cách tiếp cận của copilot của bạn và trở thành một nhà phát triển tốt hơn trong quá trình này. Bạn xây dựng trách nhiệm cá nhân. Bạn xây dựng sự hợp tác và tin tưởng của nhóm con người tốt hơn. Ngài ngăn Như The . vi phạm an ninh Sự cố Moltbook Bạn sẽ tránh được chi phí bảo trì lâu dài. Bạn giữ danh tiếng và trách nhiệm của bạn nguyên vẹn. Bạn là một chuyên gia thể hiện sự tôn trọng đối với người xem mã con người của bạn. Bạn không sẵn sàng. bối cảnh Trợ lý AI như GitHub Copilot, ChatGPT và Claude giúp bạn mã nhanh hơn. Các công cụ này tạo mã từ lời nhắc ngôn ngữ tự nhiên và . Vibe Coding Các mô hình AI là xác suất, không phải logic. Họ dự đoán token tiếp theo dựa trên các mô hình. Khi bạn làm việc trên các hệ thống phức tạp, AI có thể bỏ lỡ một trường hợp cạnh cụ thể mà chỉ có con người biết. Đánh giá thủ công là cách duy nhất để thu hẹp khoảng cách giữa "mã có vẻ tốt" và "mã đúng". AI không hiểu logic kinh doanh của bạn hoặc Giữa các và mô hình của bạn. Bijection thế giới thực Bản đồ AI không thể biết yêu cầu bảo mật của bạn (trừ khi bạn rõ ràng hoặc thực hiện một kỹ năng). AI không thể kiểm tra mã chống lại môi trường cụ thể của bạn. Bạn vẫn còn cho mỗi dòng trong codebase của bạn. responsible sản xuất từ mã AI chưa được đánh giá chi phí cho các công ty hàng triệu. khuyết điểm Đánh giá mã nắm bắt nhiều rủi ro bảo mật mà các công cụ tự động bỏ lỡ. Tổ chức của bạn giữ bạn chịu trách nhiệm về mã bạn cam kết. Điều này áp dụng cho dù bạn viết mã bằng tay hoặc sử dụng hỗ trợ AI. Nhanh chóng tham khảo 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)
 Đánh giá ✔️ Bạn không thể đổ lỗi cho AI khi các khiếm khuyết xuất hiện trong sản xuất. Con người là người chịu trách nhiệm, không phải AI. Mã được tạo ra bởi AI có thể vi phạm chính sách cấp phép của công ty bạn. AI có thể sử dụng các thư viện đã hết hạn hoặc các mô hình lỗi thời. Mã được tạo có thể không tuân theo các thông lệ của nhóm của bạn. Bạn cần phải hiểu mã để duy trì nó sau này. Các nhà phát triển khác sẽ xem xét mã hỗ trợ AI của bạn giống như bất kỳ mã nào khác. Một số mô hình AI đào tạo trên các kho lưu trữ công cộng và có thể rò rỉ các mô hình. Loại [X] Tự động Hạn chế ️ Bạn nên sử dụng mẹo này để Bạn không nên bỏ qua nó ngay cả đối với các lò phản ứng "đơn giản". every Ngày xưa ️ 
 
 Đọc Mức độ [X] Bắt đầu Tags liên quan 
 
 
 
 
 
 Tự đánh giá mã của bạn trước khi yêu cầu đánh giá ngang hàng Viết các bài kiểm tra cho các chức năng được tạo ra bởi AI Tài liệu AI-Assisted Code Decisions Sử dụng phân tích tĩnh trên mã được tạo Hiểu trước khi bạn cam kết Kết luận Trợ lý AI tăng tốc độ mã hóa của bạn. Bạn vẫn sở hữu Bạn cam kết every line Hướng dẫn xem xét và Tìm hiểu những gì các công cụ tự động thiếu. Code kiểm tra Trước khi các máy phát mã AI trở nên phổ biến, một thực hành rất tốt là tạo ra một của mã trước khi yêu cầu đánh giá ngang hàng. Tự đánh giá Bạn học được nhiều hơn khi bạn đặt câu hỏi về các lựa chọn của AI và hiểu "tại sao" đằng sau chúng. Danh tiếng của bạn phụ thuộc vào chất lượng mã, không phải là bạn có thể xóa mã nhanh như thế nào. Hãy chịu trách nhiệm về mã bạn gửi - tên của bạn nằm trên đó. Đánh giá mọi thứ. Đừng cam kết bất cứ điều gì một cách mù quáng. bản thân tương lai của bạn sẽ cảm ơn bạn. Hãy tăng cường, thực hiện các cam kết rất nhỏ, và . Giữ cho nội dung của bạn tươi Thông tin thêm 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 Cũng được biết đến như là 
 
 
 
 
 
 Hướng dẫn sử dụng Human-in-the-Loop Code Kiểm tra code Trách nhiệm phát triển AI-Assisted LLM Kết quả Validation Copilot Code kiểm tra Công cụ 
 
 
 
 
 
 
 SonarQube (phân tích tĩnh) Snyk (bộ quét bảo mật) ESLint / Pylint (liên kết  sửa đổi) GitLab / GitHub (các nền tảng đánh giá mã) Semgrep (scan dựa trên mô hình) CodeRabbit / AI-assisted code đánh giá Disclaimer Những quan điểm được bày tỏ ở đây là của tôi. Tôi là một con người viết tốt nhất có thể cho người khác. Tôi sử dụng các công cụ proofreading AI để cải thiện một số văn bản. Tôi hoan nghênh sự chỉ trích và đối thoại mang tính xây dựng. Tôi định hình những hiểu biết này thông qua 30 năm trong ngành công nghiệp phần mềm, 25 năm giảng dạy, và viết hơn 500 bài báo và một cuốn sách. Bài viết này là một phần của series ạ Tag: kiểu code 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.

2020 - Hacker Noon Contributor of the Year in REFACTORING

2022 - HackerNoon Contributor of the Year - Clean Code

2022 - HackerNoon Contributor of the Year - Debugging

2022 - HackerNoon Contributor of the Year - Github

2022 - HackerNoon Contributor of the Year - Machine Learning

2022 - HackerNoon Contributor of the Year - Quality Assurance

2022 - HackerNoon Contributor of the Year - Refactoring

2022 - HackerNoon Contributor of the Year - Software Architecture

2022 - the Greatest Storyteller

Buy My Book

Share your ideas with me!

Read My Stories

Buy Me a Coffee

Software Engineer and Book Author

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

AI Coding Tip 006 - Xem lại mọi dòng trước khi cam kết

AI Coding Tip 006 - Xem lại mọi dòng trước khi cam kết

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

85 Stories To Learn About Productivity Hacks

145 Stories To Learn About Book

178 Stories To Learn About Essay

184 Stories To Learn About Psychology

85 Stories To Learn About Productivity Hacks

145 Stories To Learn About Book

178 Stories To Learn About Essay

184 Stories To Learn About Psychology

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps