هر روز ابزارهای هوش مصنوعی بهتر و بهتر کد می‌نویسند.

اما یک سؤال مهم وجود دارد:
اگر AI کدی تولید کند که کاملاً درست به نظر برسد، از کجا بفهمیم واقعاً درست است؟
این موضوع یکی از نکات جالب مقاله‌ی Real Python درباره‌ی بررسی کدهای تولیدشده توسط AI است.

مشکل اینجاست که کد تولیدشده توسط AI لزوماً کد بدی نیست. اتفاقاً ممکن است:
- کاملاً تمیز و خوانا باشد
- از نظر Syntax مشکلی نداشته باشد
- تست‌های موجود را پاس کند
- و حتی خیلی حرفه‌ای به نظر برسد

اما با این حال، ممکن است منطق کسب‌وکار را اشتباه پیاده کرده باشد.
مثلاً فرض کنید از AI می‌خواهیم یک فرآیند Import برای چند میلیون رکورد بنویسد.
ممکن است کدی تولید کند که روی ۱۰۰ رکورد کاملاً درست کار کند؛ اما وقتی تعداد رکوردها به چند میلیون برسد، با مشکلاتی مثل مصرف زیاد حافظه، Queryهای زیاد، N+1 یا زمان اجرای بسیار بالا مواجه شویم.

پس هنگام Review کردن کد AI، فقط نباید بپرسیم:
«آیا این کد کار می‌کند؟»

باید سؤال‌های دیگری هم بپرسیم:
- آیا دقیقاً همان چیزی را پیاده کرده که در Requirement خواسته شده؟
- اگر داده Null یا خالی باشد چه اتفاقی می‌افتد؟
- اگر رکورد تکراری باشد چه؟
- اگر دو درخواست همزمان اجرا شوند چه؟
- آیا Queryها روی حجم واقعی داده هم مناسب هستند؟
- آیا مشکلی از نظر Security وجود دارد؟
- آیا این کد با معماری فعلی پروژه سازگار است؟
- آیا AI چیزی را دوباره پیاده کرده که از قبل در پروژه وجود داشته؟
- آیا API یا متدی که استفاده شده واقعاً در Library یا Framework وجود دارد؟
به همین دلیل، با افزایش استفاده از AI Coding Tools، نقش Developer در حال تغییر است.

قبلاً بخش بزرگی از زمان ما صرف نوشتن کد می‌شد.
اما حالا می‌توانیم بخش بیشتری از کدنویسی را به AI بسپاریم و زمان بیشتری را صرف فهمیدن مسئله، تصمیم‌گیری فنی و بررسی کد کنیم.

در واقع، یک Workflow مناسب می‌تواند چیزی شبیه این باشد:

- Requirement
- AI Implementation
- Automated Tests
- Code Review
- Verification

و شاید مهم‌ترین مهارتی که در برنامه‌نویسی با AI باید یاد بگیریم همین باشد:
تشخیص کدی که واقعاً درست است، از کدی که فقط درست به نظر می‌رسد.

منبع:
https://realpython.com/review-ai-generated-code/


@DevTwitter | <Mahmoud Mohammadabadi/>