⚡️ Чек-лист верификации ПО в эпоху ИИ

ИИ кардинально меняет роль инженера — фокус смещается на валидацию смыслов. Чтобы вы ничего не пропустили, рассказываем, на что обратить внимание — сохраняйте себе и делитесь с коллегами.

⚪️ Проверка на логические галлюцинации. Убедиться, что ИИ не придумал правдоподобно выглядящие, но несуществующие параметры, свойства объектов или скрытые бизнес-правила, противоречащие исходному ТЗ.
⚪️ Очистка от мертвого и избыточного кода. Проверить сгенерированный объем на лишние абстракции, неиспользуемые импорты или функции-пустышки.
⚪️ Соответствие архитектуре. Проверить, вписывается ли предложенный ИИ фрагмент в общую концепцию и паттерны проекта, или он решает задачу изолированно, нарушая глобальную структуру.

⚪️ Поиск устаревших практик. Проверить код на устаревшие подходы и уязвимые методы. Так как ИИ обучался на исторических данных, он может воспроизводить небезопасные паттерны прошлых лет.
⚪️ Аудит сторонних зависимостей. Проверить все предложенные ИИ внешние пакеты и библиотеки: существуют ли они реально, нет ли известных критических уязвимостей (CVE), подходят ли лицензионной политике проекта.
⚪️ Контроль утечки чувствительных данных. Убедиться, что в коде отсутствуют зашитые тестовые ключи, токены, пароли или персональные данные, которые могли попасть в генерацию из обучающей выборки модели.

⚪️ Перекрестный аудит тестов. Если юнит-тесты генерировались той же моделью, они могут дублировать её же логические ошибки. Тесты от ИИ должны либо жестко ревьюиться человеком, либо создаваться независимой моделью.
⚪️ Покрытие граничных условий. Вручную добавить тест-кейсы для экстремальных входных данных. Модели часто упускают из виду редкие сценарии (деление на ноль, пустые массивы, переполнение типов).
⚪️ Ложное ощущение надежности. Провести полноценное функциональное тестирование. Красивое форматирование и академически правильные комментарии ИИ усыпляют бдительность, скрывая дефекты за идеальным «внешним видом».

@DevOpsKaz 😛