هوش مصنوعی برای برنامه‌نویسی: گردش‌کارهایی که ریسک را کم می‌کنند

قاعده‌های کمک‌گرفتن امن از هوش مصنوعی در کدنویسی

بهترین راه استفاده از هوش مصنوعی در برنامه‌نویسی این است که دقیقاً در همان لحظه‌هایی که حدس‌زدن خطرناک است کندش کنید. هوش مصنوعی می‌تواند کد ناآشنا را توضیح دهد، خطاها را به فرضیه تبدیل کند، تست پیش‌نویس کند، دیف‌ها را بازبینی کند و بازآرایی پیشنهاد دهد. همچنین می‌تواند API از خودش بسازد، وابستگی‌های پنهان را نبیند، بیش از حد به قطعه‌کد چسبانده‌شده تکیه کند، یا وصله‌ای بدهد که تمیز به نظر می‌رسد در حالی که رفتاری را که می‌خواستید حفظ شود عوض می‌کند.

این قاعده را به کار ببرید: هوش مصنوعی پیشنهاد می‌دهد، اما مخزن شما تصمیم می‌گیرد. منبع حقیقت، خودِ کدبیس است، بازتولید خطا، مجموعهٔ تست، لاگ‌های زمان اجرا، الزامات محصول و بازبینی انسانی. یک همکار برنامه‌نویس خوب باید کمک کند از روی همین شواهد استدلال کنید، نه اینکه جایشان را بگیرد.

قاعده	چرا مهم است	از مدل چه بخواهید
اول بازتولید کن	جلوی وصله‌های تصادفی را می‌گیرد	«پیش از پیشنهاد کد، رفتار خراب و شواهدش را بازگو کن.»
دامنه را کوچک نگه دار	ریسک بازگشت خطا را کم می‌کند	«کوچک‌ترین تغییر امن را پیشنهاد بده و فایل‌های دست‌خورده را فهرست کن.»
رفتار را حفظ کن	از کاربران و قراردادها محافظت می‌کند	«ثابت‌هایی را نام ببر که این تغییر نباید بشکندشان.»
تست را الزامی کن	پاسخ را قابل راستی‌آزمایی می‌کند	«تست‌هایی بنویس که پیش از اصلاح شکست بخورند و بعد از آن پاس شوند.»
پیش از ادغام بازبینی کن	اشتباه‌های مطمئن را می‌گیرد	«این دیف را از نظر درستی، امنیت و موارد مرزی جامانده بازبینی کن.»

این موضوع در همهٔ مدل‌ها اهمیت دارد. OpenAI، Anthropic و ارائه‌دهندگان دیگر مستنداتی منتشر می‌کنند که توانایی‌ها، اندازهٔ پنجرهٔ زمینه و الگوهای ابزارگیری متفاوتی را توصیف می‌کنند. آن توانایی‌ها به‌کار می‌آیند، اما جایگزین یک گردش‌کار منضبط نیستند. برای کار مهندسی، مدل‌ها را با همان معیاری بسنجید که یک هم‌تیمی را می‌سنجید: آیا زمینهٔ جامانده را می‌پرسند، عدم‌قطعیت را کم می‌کنند، به محدودیت‌ها احترام می‌گذارند و ردی می‌گذارند که بتوانید راستی‌آزمایی کنید؟

گردش‌کار اشکال‌زدایی

یک گردش‌کار قابل‌اتکای اشکال‌زدایی با هوش مصنوعی پنج مرحله دارد: بازتولید، جداسازی، فرضیه‌سازی، وصله و راستی‌آزمایی. با «این را درست کن» شروع نکنید. با شواهد شروع کنید. فرمان خراب، متن دقیق خطا، رفتار مورد انتظار، رفتار مشاهده‌شده، کد مرتبط، جزئیات محیط و هر تغییر اخیری را که ممکن است عامل مشکل باشد به مدل بدهید.

مرحلهٔ ۱: بازتولید را ثبت کنید. برای کد بک‌اند، درخواست، پاسخ، کد وضعیت، لاگ‌ها و تست خراب را بگنجانید. برای کد فرانت‌اند، مسیر، کنش کاربر، خطای کنسول مرورگر، پاسخ شبکه، وضعیت کامپوننت و در صورت لزوم توصیف اسکرین‌شات را بیاورید. برای مشکلات بیلد، فرمان، مدیر بسته، نسخهٔ Node و متن کامل خطا حول اولین شکست را بدهید.

مرحلهٔ ۲: پیش از کد، فرضیه بخواهید. یک مدل دقیق باید علت‌های محتمل را رتبه‌بندی کند و بگوید چه شواهدی پشتیبان هرکدام است. اگر نتواند میان علت‌ها تمایز بگذارد، کوچک‌ترین گام تشخیصی را بخواهید. آن گام می‌تواند یک لاگ، یک تست متمرکز، یک بررسی نوع، یا خواندن یک فایل دیگر باشد.

مرحلهٔ ۳: کوچک‌ترین وصله را بخواهید. به مدل بگویید متغیرها را تغییر نام ندهد، کد پیرامون را بازنویسی نکند، وابستگی جدید نیاورد و رفتار عمومی را عوض نکند مگر بتواند دلیلش را توجیه کند. بخواهید علت ریشه‌ای، طرح کلی وصله، فایل‌های دست‌خورده، تست‌ها و ریسک را برگرداند.

مرحلهٔ ۴: تست‌ها را به‌صورت محلی اجرا کنید. خروجی هوش مصنوعی یک گام راستی‌آزمایی نیست. گام راستی‌آزمایی همان فرمان یا مسیر کاربری است که رفتار را اثبات می‌کند. اگر تست خودکاری وجود ندارد، اول از مدل بخواهید یک تست بازگشتی بسازد، بعد اصلاح را پیاده کنید.

prompt اشکال‌زدایی:

نقش یک همکار دقیق اشکال‌زدایی را بازی کن. هنوز کد ننویس. اول بازتولید، رفتار مورد انتظار، رفتار مشاهده‌شده و سه علت ریشه‌ای محتمل را بازگو کن. هر علت را بر پایهٔ شواهد رتبه بده. بعد کوچک‌ترین گام تشخیصی را پیشنهاد بده. باگ: [توصیف کنید]. فرمان یا کنش کاربر: [بچسبانید]. خطا یا لاگ: [بچسبانید]. کد مرتبط: [بچسبانید]. محدودیت‌ها: [پشته، فایل‌هایی که نباید دست بخورند، رفتاری که باید حفظ شود].

prompt اصلاح:

با استفاده از علت ریشه‌ای تأییدشده، کوچک‌ترین اصلاح امن را پیشنهاد بده. برگردان: علت ریشه‌ای، فایل‌ها و توابعی که باید تغییر کنند، طرح کلی وصله، تست‌هایی که پیش از اصلاح شکست می‌خورند و بعد پاس می‌شوند، موارد مرزی و ریسک بازگشت. کد بی‌ربط را بازآرایی نکن. زمینه: [بچسبانید].

گردش‌کار بازبینی کد

هوش مصنوعی اغلب به‌عنوان بازبین بهتر از نویسندهٔ اول است. وقتی از آن می‌خواهید یک دیف را بازبینی کند، می‌تواند دنبال موارد مرزی جامانده، مشکلات امنیتی، فرض‌های قدیمی، خلأهای تست و تغییرهای رفتاری بگردد. نکتهٔ کلیدی این است که بازبینی را مشخص کنید. اگر بپرسید «خوب به نظر می‌رسد؟» یک تأیید مؤدبانه می‌گیرید. اگر ریسک درستی را بخواهید، احتمال بیشتری دارد ایرادهای به‌دردبخور بگیرید.

دیف، رفتار مورد نظر، تست‌های مرتبط و هر محدودیتی را به مدل بدهید. بگویید سبک‌های جزئی را نادیده بگیرد مگر بر نگهداشت‌پذیری اثر بگذارند. می‌خواهید بازبینی به باگ‌ها اولویت بدهد، نه به ایرادهای نمایشی.

حوزهٔ بازبینی	پرسش‌هایی که هوش مصنوعی باید پاسخ دهد
درستی	آیا این دیف واقعاً نیازمندی را برآورده می‌کند؟
ریسک بازگشت خطا	چه رفتار موجودی ممکن است ناخواسته تغییر کند؟
امنیت	آیا ورودی‌ها، احراز هویت، اسرار، دسترسی‌ها و ریسک تزریق مدیریت شده‌اند؟
مدیریت خطا	در برابر مقدار تهی، تایم‌اوت، تلاش مجدد، پاسخ بد یا وضعیت ناقص چه می‌شود؟
تست‌ها	کدام ادعاهای رفتاری پوشش داده نشده‌اند؟
نگهداشت‌پذیری	آیا از الگوهای محلی پیروی می‌کند و تغییر را فهم‌پذیر نگه می‌دارد؟

prompt بازبینی کد:

این دیف را مثل یک نگهدارندهٔ سخت‌گیر اما عمل‌گرا بازبینی کن. روی درستی، ریسک بازگشت خطا، امنیت، موارد مرزی و تست‌های جامانده تمرکز کن. سبک‌های جزئی را نادیده بگیر مگر ریسک واقعی نگهداشت بسازند. یک جدول برگردان با ستون‌های مشکل، اولویت، شواهد از دیف، اصلاح پیشنهادی و تست لازم. رفتار مورد نظر: [بچسبانید]. دیف: [بچسبانید]. تست‌های موجود: [بچسبانید].

برای تغییرهای پرریسک، از گردش‌کار مقایسهٔ اصلاحیهٔ مدل‌ها در Whizi استفاده کنید. همان prompt بازبینی را روی دو یا سه مدل اجرا کنید. اگر یک مدل مشکلی احتمالی یافت، کورکورانه نپذیریدش؛ بررسی کنید آیا آن مشکل در کدبیس واقعی است. هدف جمع‌کردن نظرهای بیشتر نیست. هدف گسترده‌کردن سطح بازبینی پیش از ادغام است.

گردش‌کار بازآرایی و تست

بازآرایی با هوش مصنوعی پرریسک است، چون بسیاری از بازآرایی‌ها بر پایهٔ آنچه تغییر نمی‌کند سنجیده می‌شوند. مدل ممکن است کد را خوش‌ظاهرتر کند و در همان حال رفتار، مدیریت خطا، زمان‌بندی یا قراردادهای عمومی را به‌شکلی نامحسوس عوض کند. یک گردش‌کار امن‌تر بازآرایی با تعریف ثابت‌ها پیش از دست‌زدن به پیاده‌سازی شروع می‌شود.

گام ۱: هدف بازآرایی را توصیف کنید. نمونه‌ها: کاهش تکرار، شکستن یک کامپوننت بزرگ، جداکردن لایهٔ دسترسی به داده، ساده‌کردن شاخه‌بندی، مهاجرت یک پوشش API، یا بهبود تست‌پذیری. بعد بگویید چه چیزی باید ثابت بماند: امضای توابع عمومی، رفتار مسیرها، نام رویدادها، شکل پاسخ‌ها، آنالیتیکس، دسترسی‌ها، رفتار دسترس‌پذیری و انتظارهای کارایی.

گام ۲: یک برنامهٔ مرحله‌بندی‌شده بخواهید. یک برنامهٔ بازآرایی کارآمد باید برگشت‌پذیر باشد. هر مرحله باید ناحیهٔ کوچکی را لمس کند، تست داشته باشد و یک وضعیت میانی کارکردنی تولید کند. از بازنویسی یک‌ضرب بپرهیزید مگر کد بسیار کوچک و خوب پوشش‌داده‌شده باشد.

گام ۳: تست‌های توصیف‌گر بنویسید. پیش از تغییر کد، از هوش مصنوعی بخواهید رفتار فعلی را شناسایی کند و تست‌هایی پیش‌نویس کند که موارد مهم را قفل کنند. این تست‌ها به‌ویژه برای کد قدیمی که نیتش روشن نیست ارزشمندند. باید ورودی‌های عادی، ورودی‌های مرزی، مسیرهای شکست و یک مورد بازگشتی گره‌خورده به دلیل بازآرایی را در بر بگیرند.

گام ۴: هر بار یک مرحله را پیاده کنید. بعد از هر مرحله تست‌ها را اجرا کنید و یک بازبینی متمرکز بخواهید. اگر مدل یک انتزاع فراگیر پیشنهاد داد، وادارش کنید ثابت کند آن انتزاع تکرار یا ریسک واقعی را حذف می‌کند. در غیر این صورت، کد را ساده و محلی نگه دارید.

prompt برنامه‌ریزی بازآرایی:

یک برنامهٔ بازآرایی مرحله‌بندی‌شده بساز. هدف: [هدف]. کد فعلی: [بچسبانید]. محدودیت‌ها: رفتار عمومی حفظ شود، جابه‌جایی کد کمینه بماند، از الگوهای موجود پیروی شود، وابستگی جدید اضافه نشود، هر مرحله تست‌پذیر بماند. برگردان: ثابت‌ها، نقشهٔ وابستگی‌ها، مراحل، فایل‌های دست‌خورده، تست هر مرحله، ریسک بازگشت و فهرست بررسی بازبینی.

prompt تست واحد:

پیش از تغییر پیاده‌سازی تست بنویس. از همین سبک تست موجود استفاده کن: [بچسبانید]. رفتاری که باید حفظ شود: [بچسبانید]. کد زیر آزمون: [بچسبانید]. برگردان: نام تست‌ها، آماده‌سازی، ورودی، نتیجهٔ مورد انتظار و اینکه چرا هر تست اهمیت دارد. مسیر موفق، مورد مرزی، مورد خطا و مورد بازگشتی را بگنجان.

قالب‌های prompt

prompt‌های قوی برای کدنویسی به این دلیل بلند نیستند که فانتزی‌اند. آن‌قدر بلندند که ابهام را از بین ببرند. مدل به نقش، وظیفه، زمینه، محدودیت‌ها، قالب خروجی و معیار راستی‌آزمایی نیاز دارد. prompt‌هایی را که جواب می‌دهند ذخیره کنید تا هوش مصنوعی به یک گردش‌کار مهندسی تکرارپذیر تبدیل شود، نه یک گفتگوی یک‌بارمصرف.

prompt توضیح کد:

این کد را برای توسعه‌دهنده‌ای که تازه به پروژه پیوسته توضیح بده. هدف، ورودی‌ها، خروجی‌ها، جریان داده، وابستگی‌ها، حالت‌های شکست و تست‌هایی را که اطمینان را بالا می‌برند پوشش بده. واقعیت‌های پیدا در کد را از فرض‌ها جدا کن. کد: [بچسبانید].

prompt کدنویسی امن:

این کد را از نظر ریسک‌های امنیتی بازبینی کن. روی احراز هویت، دسترسی‌ها، تزریق، اسرار، اعتبارسنجی، تغییر مسیرهای ناامن، مدیریت فایل، ریسک وابستگی‌ها و افشای دادهٔ حساس تمرکز کن. فقط مشکلات را با شواهد، اثر، اصلاح پیشنهادی و تست یا بررسی دستی برگردان. کد یا دیف: [بچسبانید].

prompt مقایسهٔ اصلاحیهٔ مدل‌ها:

دارم مدل‌های هوش مصنوعی را برای یک کار برنامه‌نویسی مقایسه می‌کنم. فقط از زمینهٔ داده‌شده استفاده کن. علت ریشه‌ای، کوچک‌ترین اصلاح امن، تست‌ها، ریسک‌ها، فرض‌ها و پرسش‌ها را برگردان. اطمینانت را از ۱ تا ۵ نمره بده و بگو چه شواهدی پاسخت را عوض می‌کند. کار: [بچسبانید]. زمینه: [بچسبانید].

فهرست بررسی کیفیت پیش از پذیرفتن کد تولیدشده با هوش مصنوعی:

• مدل وظیفه را درست بازگو کرده است.
• وصله از خودِ مشکل کوچک‌تر است، نه بزرگ‌تر.
• رفتار عمومی و قراردادها نام برده شده‌اند.
• تست‌ها مستقیماً باگ یا هدف بازآرایی را پوشش می‌دهند.
• موارد مرزی و مسیرهای شکست فهرست شده‌اند.
• ورودی‌های حساس از نظر امنیتی بازبینی شده‌اند.
• دیف از الگوهای موجود پروژه پیروی می‌کند.
• تست، لینت، بیلد یا بازتولید دستی مربوطه را اجرا کرده‌اید.
• یک انسان دیف نهایی را بازبینی کرده است.

Whizi وقتی به کار می‌آید که می‌خواهید اصلاحیه‌ها را بدون تغییر صورت مسئله مقایسه کنید. همان prompt اشکال‌زدایی یا بازبینی را در چند مدل بچسبانید، بعد خروجی‌ها را بر پایهٔ شواهد، دامنه، تست‌ها و ریسک نمره بدهید. اگر راهنمای انتخاب مدل می‌خواهید با جایگزین‌های ChatGPT برای برنامه‌نویسی شروع کنید، پلن‌ها را در قیمت‌گذاری مقایسه کنید، یا برای اجرای این گردش‌کار روی کد خودتان یک حساب بسازید.