Az AI-segített kódolás paradoxona

Ha 2024-ben vagy 2025-ben próbáltad már Claude-öt, ChatGPT-t vagy más csúcsmodellt kódoláshoz, akkor tudod: ezek az eszközök lenyűgözőek. Gyorsabban dobnak ki működő kódot, mint a legtöbb ember. Több fájlt is átalakítanak, teszteket generálnak, és bonyolult utasításokat követnek idegen kódbázisokban. Az első AI-s pull request gyakran tökéletesnek tűnik.

Aztán jöhet a tizedik.

Ekkor kezd igazán izgalmas lenni – de sajnos nem pozitív értelemben.

A kód még mindig fut. A tesztek zöldek. Viszont lassan elromlik valami. A hibakezelés túl optimista lesz. A nevek inkonzisztensek. Új absztrakciók bukkannak fel a régiek mellett. Egyenként mind okosnak hat, de együtt a kódbázis egysége szétesik.

Ez nem a modellek hibája. Sokkal mélyebb probléma van a használatunkkal.

A valódi akadály: a pontos leírás, nem a képesség

Kutatás bizonyítja: ha az AI elér egy bizonyos szintre, a kódminőség már nem a modell intelligenciáján múlik, hanem azon, mennyire teljes a specifikáció.

Képzeld el így. Adj részletes utasítást – hibakezeléssel, névkonvenciókkal, architektúra-mintákkal, állapotkezeléssel és szélsőséges esetekkel –, és profi kódot kapsz. De ha csak ennyit írsz: "adj hozzá user authenticationt", akkor működő kód jön, tesztek átmennek, de adósság halmozódik.

A modell nem butult el. Csak nem kaptad el a teljes képet.

Hol vész el a pontosság

A természetes nyelv és a futtatható kód közötti szakadék apróságnak tűnik, de kegyetlenül felhalmozódik:

A természetes nyelv laza. "Add authentication" két szóba sűríti tucatnyi döntést. Milyen identity modell? Hogyan kezeli a lejárt tokeneket? Szerep- vagy attribútum-alapú kontroll? Hol vannak a permission checkek? Mit logol? Milyen hibákat mutass a kliensnek? Hogyan illeszkedik az adatbázisodhoz, API-dhoz és tesztekhez?

Egy ember megáll és kérdez. Az AI a tréningadatokból dolgozik – jó tippeket ad, amik egyedül működnek, de láthatatlanul rögzülnek a kódban.

A kódoló környezeted szigorú, a promptolás nem. Kódírásnál a compiler, type checker és tesztek kiszűrik a homályt. Promptnál nincs ilyen. Az AI nem mondja: "ez nem elég infó". Csendben dönt helyetted.

Ez furcsa fordulat: szigorú médiumból (kód) lazába (nyelv) mész, de a kimenet megint szigorú. A lazaság nem tűnik el – beépül rejtett döntésekként.

A skála aláássa az egységességet. Tökéletes specifikációval is nehéz tucatnyi fájlt, száznyi függvényt egységesen kezelni. A kontextusablak segít, de véges. Az AI válogat, mi marad meg – ezek a választások összeadódnak.

Bizonyíték: az Alibaba hosszú távú tesztje

Nem elmélet. Az Alibaba SWE-CI kísérlete 18 AI-modellt figyelt 100 valós kódbázison 233 napig, 71 commiton át. 75%-uknál gyorsult a romlás. Minden commit működött, tesztek okéak. De a hibák felgyűltek.

A modellek nem romlottak. A kódbázisok igen. Lokálisan jó, globálisan kaotikus.

Mit jelents ez a munkafolyamatodnak

Ha élesben használsz AI-kódolókat, itt a gyakorlati tanulságok:

Kezeld őket juniorként, aki irányításra szorul, ne szenior architektként. Minél részletesebb az utasítás, annál jobb. Tehát:

• Írj architektúra-dokumentumot prompt előtt
• Mondd el expliciten a hibakezelést
• Rögzítsd a névkonvenciókat és mintákat
• Jelöld, melyik meglévő absztrakciót használd újra
• Magyarázd el az állapotkezelést és edge case-eket
• Add meg a tesztstratégiát és coverage-t

Az AI felerősíti az architektúrádat – jó vagy rossz irányba. Tiszta konvenciók mellett szépen bővít. Ha kaotikus a kód, gyorsabban rontja el.

A code review kötelezővé válik. Az emberi szem kell a rejtett feltételek kiszűrésére.

A verziókezelés specifikáció-történet lesz. A commit history mutassa az architektúra szándékát, ne csak a változásokat.

A lehetőség

Pozitívan: ez nem modellprobléma. A csúcsmodell remek kódot tud teljes leírással.

A versenyképesség nem a legdrágább modellben van, hanem jobb specifikációkban – tisztább doksiban, precízebb promptokban, szigorúbb review-kban. Ezek megtanulhatók, és felhalmozódnak.

Az AI-d nincs elromolva. Csak alul-specifikált. Javítsd a leírásokat, és lásd a különbséget.

NameOcean-felhasználóknak

Ha NameOcean felhőin építesz AI-segítséggel, ez kulcsfontosságú. Skálázódó szolgáltatásoknál a domain routing, DNS propagation, SSL management és API design döntéseit dokumentáld prompt előtt. Minél pontosabb az infrastruktúra-leírás, annál jobban illeszkedik az AI-kód a deployment pipeline-odba.