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?
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.





