Varför AI-genererad kod behöver granskas

Genererade funktioner hanterar exemplet du beskrev och ignorerar indata som du glömde att nämna: tomma arrayer, null-fält, negativa tal, Unicode och samtidiga skrivningar.

Modellen optimerar för att matcha din prompt, inte för hela mängden möjliga indata. Det gapet är där produktionsbuggar uppstår.

Be assistenten att synliggöra sina egna blinda fläckar innan du litar på resultatet.

Granskare upptäcker buggar långsammare i AI-kod än i kod skriven av människor, eftersom förklaringen bredvid koden låter auktoritativ. Modellen beskriver sina val med självförtroende även när de är fel.

Träna dig på att läsa koden, inte kommentarerna. En övertygande motivering för ett bristfälligt tillvägagångssätt är fortfarande ett bristfälligt tillvägagångssätt.

Skilj på vad koden gör och vad assistenten påstår att den gör.

Modeller återskapar genomsnittet av sin träningsdata, och den genomsnittliga webbaserade handledningen är osäker. Räkna med SQL som byggs genom strängkonkatenering, hemligheter i källkoden, utebliven behörighetskontroll och alltför tillåtande CORS.

Om du inte uttryckligen ber om härdad kod får du kod avsedd för demonstrationer. Standardvalet är bekvämlighet, inte säkerhet.

Gör säkerhet till ett uttryckligt krav i varje prompt som rör data, autentisering eller användarindata.

Varje AI-begäran optimeras lokalt. Över många sessioner samlar kodbasen på sig duplicerade hjälpfunktioner, inkonsekvent felhantering och tre konkurrerande sätt att anropa databasen.

Ingen enskild ändring ser fel ut, men systemet förlorar långsamt sin sammanhållning. Modellen minns inte de konventioner den kom överens om i går.

Regelbundna arkitekturgranskningar hindrar kodbasen från att splittras till en hög med lokalt optimala kodsnuttar.

Den viktigaste granskningsfrågan är inte "kör detta?" utan "gör detta faktiskt det jag menade?" Modeller följer den bokstavliga prompten, inklusive dina otydliga formuleringar.

Om du skrev "ta bort gamla poster" utan att definiera vad gamla betyder väljer modellen en gräns. Den gissningen blir affärslogik.

Kontrollera att varje implicit beslut modellen fattade stämmer med din verkliga avsikt.

En återanvändbar checklista slår ad hoc-läsning. Bekräfta följande för varje genererad ändring: indata valideras, fel hanteras, autentisering och behörigheter verkställs, hemligheter ligger utanför källkoden, kantfall täcks och beteendet stämmer med avsikten.

Du kan delegera delar av checklistan till assistenten och sedan verifiera svaren självständigt.

Konsekvens är det som förvandlar granskning från en magkänsla till en disciplin.

När assistenten redigerar befintlig kod ska du granska diffen, inte bara den slutliga filen. Modeller "refaktoriserar" ibland genom att i tysthet ta bort en validering, en loggrad eller en funktionsflagga.

En liten begärd ändring kan komma tillsammans med oombedda redigeringar. Ju mindre diff du accepterar, desto färre överraskningar sätts i produktion.

Kräv minimala, avgränsade ändringar och läs varje borttagen rad.

Granskning kan skalas när du kodifierar dina förväntningar som tester. När ett beteende väl är fastställt med en assertion kan modellen inte bryta det i tysthet utan att testsviten blir röd.

Genererade tester är själva utkast som behöver granskas, men ett bristfälligt test som upptäcks av en körning som passerar trots fel är ändå bättre än inget test.

I nästa lektioner omvandlar du detta stöd till ett arbetsflöde.

Assistenten har inget eget intresse i resultatet. När appen läcker data eller debiterar fel kort är ansvaret ditt, inte modellens.

Mogen vibe coding innebär att ta ansvar för resultatet som om du själv hade skrivit varje tecken. AI snabbar upp ditt arbete, men befriar dig inte från ansvaret.

Granskning är hur du förtjänar rätten att leverera sådant du inte själv har skrivit.

AI-kod är ett självsäkert utkast: flytande men utan ansvar. Den hittar på API:er, hoppar över kantfall, använder osäkra mönster som standard och driver över tid iväg arkitekturellt.

Motverka detta med disciplinerad granskning: läs för att förstå avsikten, lita inte blint på diffen, använd en checklista och lås fast beteendet med tester. Du har fortfarande ansvaret för det som sätts i produktion.

Härnäst omvandlar du förväntningar till genererade testsviter.