Ugrás a tartalomhoz

Tudásmegosztás • 6 perc olvasás

Monkey see, monkey prompt

Rácz Tamás

Lead IT Business Analyst

Avagy miért nem egyenlő az AI-val történő fejlesztés azzal, hogy utasításokat dobálunk egy chatbotnak, és reménykedünk a legjobbakban?

Összefoglalás itt:
vagy

Az AI alapjaiban változtatja meg a szoftverfejlesztést. Olyan képességeket ad a fejlesztők kezébe, amelyek néhány éve még elképzelhetetlennek tűntek: percek alatt generálhatunk komplett komponenseket, API-kat, adatbázis-modelleket, teszteket vagy akár teljes alkalmazásokat.

A belépési küszöb látványosan lejjebb került. Ma már olyan ember is képes működő alkalmazást összerakni, aki korábban csak felhasználói oldalról találkozott a programozással.

Ez önmagában fantasztikus lehetőség. A probléma ott kezdődik, amikor összekeverjük a működő kódot a jó minőségű szoftverrel, a gyorsaságot a hatékonysággal, illetve az AI használatát a mérnöki munkával.

A vibe coding egyik legnagyobb veszélye, hogy a látszólagos siker nagyon könnyen elfedi a valódi problémákat.

Monkey see, monkey prompt

A klasszikus mondás szerint: Monkey see, monkey do. Meglátja, utánozza, megcsinálja.

Az AI-val támogatott fejlesztésben ennek kialakult egy új változata: Monkey see, monkey prompt.

Megnyitjuk a Cursor-t, a Claude Code-ot vagy egy másik AI-eszközt, leírjuk, hogy mit szeretnénk, majd elfogadjuk a generált módosításokat. Ha nem működik, újabb prompt. Ha még mindig nem jó, még egy. Ha pedig végre összeáll, mehet a következő feladat.

Első ránézésre ez egy rendkívül hatékony munkafolyamatnak tűnik. Csakhogy van egy apró probléma: sokszor már azt sem tudjuk pontosan, hogy mit építettünk.

Nem feltétlenül értjük a választott architektúrát, az adatáramlást, a függőségeket, a hibakezelést vagy azokat a kompromisszumokat, amelyeket az AI a megoldás során meghozott.

A kód elkészült, az alkalmazás elindul, a demó működik. De vajon készen áll arra, hogy valódi felhasználók használják?

A működő kód még nem jó szoftver

Az AI rendkívül jó abban, hogy a megadott feladatot megoldja. De nem feltétlenül abban, hogy megkérdőjelezze magát a feladatot.

Ha azt kérjük tőle, hogy készítsen egy új végpontot, valószínűleg készít egyet. Ha azt kérjük, hogy tároljon el egy adatot, megoldja. Ha azt kérjük, hogy javítson ki egy hibát, módosítja a kódot.

De vajon:

  • Tényleg a megfelelő helyen történik a módosítás?
  • Illeszkedik a meglévő architektúrához?
  • Nem sért meg valamilyen üzleti szabályt?
  • Megfelelően kezeli a szélsőértékeket és a hibás bemeneteket?
  • Nem vezet be biztonsági rést?
  • Nem okoz regressziót egy másik funkcióban?
  • Fenntartható marad a megoldás fél év múlva is?

Ezekre a kérdésekre nem elég az, hogy az AI azt válaszolja: „I have implemented the requested changes.”

A fordító sem jelez minden problémát. A sikeres build nem jelent helyes működést. A zöld tesztek pedig csak azt bizonyítják, hogy az általunk ellenőrzött esetekben nem találtunk hibát.

A szoftverfejlesztés nem kódgenerálási verseny. A cél nem a minél több előállított kódsor, hanem egy megbízható, érthető és fenntartható rendszer létrehozása.

Az AI nem ismeri automatikusan a teljes rendszert

Az egyik leggyakoribb hiba, hogy úgy kezeljük az AI-t, mintha tökéletesen ismerné a projektünket.

Pedig a modell csak abból tud dolgozni, amit a rendelkezésére bocsátunk. A kontextus mérete, minősége és aktualitása alapvetően meghatározza a válasz minőségét.

Egy rosszul előkészített kontextusra épülő fejlesztés olyan, mintha egy új fejlesztőt azzal bíznánk meg, hogy módosítson egy komplex vállalati rendszert, miközben nem kapott architektúra-dokumentációt, üzleti szabályokat, interfészleírásokat vagy korábbi döntéseket.

Ráadásul az AI nem feltétlenül jelzi, ha hiányosak az információi. Gyakran inkább következtet, feltételez és kiegészíti a hiányzó részeket.

Ennek eredménye lehet egy technikailag teljesen hihető, de a rendszer működéséhez vagy az üzleti elvárásokhoz egyáltalán nem illeszkedő megoldás.

Ezért a jó AI-alapú fejlesztés nem a prompt megírásával kezdődik, hanem a megfelelő kontextus felépítésével.

A technikai adósság gyorsabban is felhalmozódhat, mint valaha

A hagyományos fejlesztésben a technikai adósság felhalmozódásának egyik korlátja maga a fejlesztési sebesség volt. Egy rossz döntésnek is időbe telt a megvalósítása.

Az AI ezt a korlátot jelentősen csökkenti.

Néhány jól megfogalmazott utasítással létrehozhatunk több száz vagy akár több ezer sornyi kódot. Ha a megoldás hibás alapokra épül, ugyanilyen gyorsan tudunk további rétegeket építeni rá.

A probléma nem feltétlenül az első rossz megoldás. Hanem az, hogy a következő öt funkció már erre épül.

Különösen veszélyes, amikor az AI által generált kódot újabb AI-generált kóddal javítjuk, anélkül, hogy megértenénk az eredeti problémát.

Ilyenkor könnyen kialakulhat egy olyan rendszer, amelyben:

  • ugyanaz az üzleti logika több helyen szerepel;
  • a komponensek között indokolatlan függőségek vannak;
  • a hibakezelés esetleges;
  • a tesztek a megvalósítást igazolják, nem az elvárt működést;
  • egyre nehezebb megérteni, hogy egy módosítás milyen következményekkel jár.

Az AI nemcsak a fejlesztési sebességet növelheti, hanem a rossz döntések terjedését is felgyorsíthatja. 

A fejlesztő szerepe nem tűnik el, hanem felértékelődik

Sokan úgy gondolják, hogy az AI miatt egyre kevesebb technikai tudásra lesz szükség. Bizonyos feladatoknál valóban csökken az a mennyiségű manuális munka, amelyet korábban el kellett végezni.

De ebből nem következik, hogy a szakértelem kevésbé fontos.

Éppen ellenkezőleg.

Minél több kódot képes az AI előállítani, annál fontosabbá válik, hogy valaki képes legyen megítélni annak minőségét.

A fejlesztő feladata egyre inkább:

  • a probléma pontos megértése;
  • a megfelelő architektúra és technológiai megoldás kiválasztása;
  • a kontextus és a korlátozások meghatározása;
  • az AI munkájának irányítása;
  • a generált megoldások kritikus ellenőrzése;
  • a tesztelési stratégia kialakítása;
  • a minőségi és biztonsági követelmények érvényesítése.

Ez nem azt jelenti, hogy minden egyes generált kódsort kézzel kell megírnunk vagy aprólékosan átnéznünk. Azt viszont igen, hogy a felelősséget nem delegálhatjuk a modellnek.

Az AI lehet a fejlesztő legerősebb eszköze, de nem lehet a szakmai felelősség helyettesítője.

Mit csináljunk a vibe coding helyett?

Nem gondolom, hogy a vibe codingot teljes egészében el kellene utasítani. Prototípusok, proof of concept megoldások, kisebb automatizációk vagy egyszerű belső eszközök esetében kifejezetten hasznos lehet a gyorsabb, kötetlenebb megközelítés. Nem minden fejlesztés igényel szigorúan felépített, kontextusvezérelt folyamatot.

Ugyanakkor van az a rendszerméret, komplexitás, üzleti kitettség, illetve szabályozói vagy jogi nyomás, ahol ez a fajta tudatosság már nem pusztán ajánlott, hanem kis túlzással elengedhetetlenné válik. A probléma tehát nem önmagában a vibe codinggal van, hanem azzal, ha a fejlesztési feladat jellegétől és kockázataitól függetlenül mindenhol ugyanazt a megközelítést alkalmazzuk.

Ilyen esetekben érdemes egy tudatosabb, kontextusvezérelt fejlesztési folyamatot kialakítani, amelyben az AI nem csupán utasításokat hajt végre, hanem a teljes fejlesztési munka megfelelő keretek között, ellenőrizhető módon zajlik.

Ennek legfontosabb lépései a következők:

1. Először értsük meg a problémát!
Ne azzal kezdjük, hogy kódot kérünk az AI-tól. Határozzuk meg, mit szeretnénk elérni, milyen üzleti szabályoknak kell megfelelni, és milyen korlátozások vannak.

2. Építsünk megfelelő kontextust!
Adjuk át a projekt releváns dokumentációját, architektúráját, kódolási szabályait, adatmodelljét és a kapcsolódó döntéseket. Ne várjuk el, hogy az AI kitalálja azt, amit mi sem dokumentáltunk.

3. Tervezzünk, mielőtt implementálunk!
Komplexebb feladatoknál használjunk tervezési fázist. Kérjük meg az AI-t, hogy először elemezze a meglévő megoldást, azonosítsa az érintett komponenseket, mutassa be a lehetséges alternatívákat és a kockázatokat.

4. Kis, ellenőrizhető lépésekben haladjunk!
Ne adjunk át egy teljes rendszert egyetlen promptban. Bontsuk a feladatot kisebb, jól definiált egységekre, és minden lépés után ellenőrizzük az eredményt.

5. Ne csak a kódot, a megoldást is ellenőrizzük!
A tesztek mellett vizsgáljuk meg az architekturális döntéseket, az üzleti logikát, a biztonságot, a teljesítményt és a karbantarthatóságot is. Az AI-val akár külön review-t is végeztethetünk, lehetőleg másik modellel vagy eltérő szempontrendszerrel.

6. Maradjunk mi a döntéshozók!
Az AI javasolhat, elemezhet, implementálhat és tesztelhet. De a megoldás elfogadása továbbra is a fejlesztő felelőssége.

Arról, hogy hogyan építhetünk fel tudatosan egy AI-alapú fejlesztési életciklust, a következő epizódban olvashattok. 

A valódi versenyelőny nem a promptolásban van

Az AI használatának megtanulása ma már szinte alapvető kompetencia. De önmagában attól, hogy valaki jól tud promptolni, még nem válik jó szoftverfejlesztővé.

A valódi versenyelőny abból származik, ha valaki képes ötvözni a technikai tudását, a rendszerszintű gondolkodását és az AI lehetőségeit.

Aki érti a problémát, ismeri a rendszert, képes megfelelő kontextust biztosítani, és kritikusan értékeli az eredményeket, az nagyságrendekkel többet tud kihozni ezekből az eszközökből, mint az, aki egyszerűen csak utasításokat dobál egy chatbotnak.

A következő években valószínűleg nem az lesz a legértékesebb fejlesztő, aki a leggyorsabban ír kódot, hanem az, aki a leghatékonyabban képes irányítani a teljes fejlesztési folyamatot.

Mert végső soron nem az a kérdés, hogy tud-e az AI kódot írni.

Hanem az, hogy tudjuk-e, milyen kódot kell íratnunk vele, miért éppen azt, és hogyan bizonyosodunk meg arról, hogy valóban jó megoldás született.

Monkey see, monkey prompt. De attól, hogy a majom már tud kódot generálni, még nem lett belőle szoftvermérnök.