Written with AI assistance from the source video. The video is the authority.
Log in to leave a comment
No posts yet
تغيرت ملامح مستودعات البرمجيات بعد تسلل أدوات الذكاء الاصطناعي إلى كود الإنتاج. وفقاً لدراسة أجرتها شركة GitClear، المتخصصة في تحليل بيانات مستودعات البرمجيات، والتي حللت أكثر من 211 مليون سطر من كود الإنتاج في الفترة من 2020 إلى 2024، ارتفعت نسبة تغير الكود (Code Churn) -وهي نسبة التعديل أو الحذف الكلي للرواد المدمجة في غضون أسبوعين- من 3.1% السابقة لتصل إلى ما يصل إلى 7.1%. كما يُظهر التحليل التجريبي لمنصة مراجعة الكود CodeRabbit أن الكود الذي يوالده الذكاء الاصطناعي يولد عيوباً أكثر بـ 1.7 مرة لكل طلب سحب (Pull Request) مقارنة بالكود الذي يكتبه البشر. حيث تبرز عيوب منطق الأعمال بنسبة 75 بالمائة، وغياب معالجة الاستثناءات بضعفين، والثغرات الأمنية بـ 2.74 مرة بشكل متكرر. وفقاً لدراسة لشركة SmartBear، بمجرد أن يتجاوز حجم التعديلات في طلب سحب منفرد 400 سطر، ينخفض معدل اكتشاف المراجعين للعيوب إلى أقل من 70 بالمائة. إن الطريقة التقليدية لقراءة مئات الأسطر التي يضخها المطورون المبتدئون سطراً بسطر كما كان يحدث سابقاً تؤدي إلى حمولة إدراكية زائدة وتترك العيوب الهيكلية الخطيرة دون معالجة في النهاية.
لكسر اختناق المراجعة اليدوية، يجب على قادة الهندسة المتمرسين التوقف عن أداء دور فاحصي القواعد والتحرك كمهندسي أنظمة. اعتبر طلب السحب بمثابة ثنائي غير مُمحّص أخرجه المبرمج، وقم بتشغيل بروتوكول مراجعة البنية لتحديد السلامة الهيكلية في غضون 10 دقائق فقط. خلال الدقائق الثلاث الأولى، قارن مهام الحل في النص الأساسي مع قائمة الملفات المعدلة الفعلية والمعروفة باسم Diff Delta. إذا كانت هناك وحدات أو ملفات إعدادات غير مذكورة في الشرح، فارفض الطلب فوراً دون حتى قراءة التفاصيل الدقيقة للكود. وخلال الدقائق الأربع التالية، تحقق مما إذا كانت طبقة العرض (Presentation Layer) تتخطى خدمات الأعمال وتصل مباشرة إلى قاعدة البيانات، وابحث عما إذا كان هناك انتهاك لحدود النطاق (Domain Boundaries). وفي الدقائق الثلاث المتبقية، راقب ما إذا كان النظام يصمد في حال تعطل واجهات برمجة التطبيقات الخارجية أو حدوث تنافس في التزامن، وذلك من حيث ضمان مفاتيح التماثل (Idempotency Keys) وعكس المعاملات الموزعة. أنشئ حقولاً في ملف .github/pull_request_template.md في المستودع لكتابة سجلات قرارات البنية والأوامر الأصلية (Prompts)، ولا تفتح حتى ملفات Diff للأكواد التي لم تدوّن تصاميم بديلة.
قبل أن يقرأ البشر الكود بالكامل، يجب تصفية جميع الأخطاء التي يمكن للآلة الحكم عليها. بعد دمج شركة التقنية المالية اليابانية freee لأداة مراجعة الكود الدلالي CodeRabbit في 285 مستودعاً، وفرت موارد مراجعين متمرسين بقيمة 32.8 أسبوعاً في غضون 6 أشهر، وسجلت معدل قبول لتوجيه العيوب المهمة بنسبة 54 بالمائة. يتم إرسال تنبيهات المراجعة للمطورين المتمرسين فقط لطلبات السحب التي تجتاز مرشحات الأتمتة ذات الثلاث خطوات، مما يقلل من الوقت المستغرق في المراجعة اليدوية إلى النصف.
يجب تضمين مرشحات التحقق التسلسلي في مسار الـ CI. في المرحلة الأولى، وهي مرحلة التحليل الثابت الحتمي، يتم تشغيل ESLint وBiome وRuff لترقية تحذيرات المدقق اللفظي (Linter) إلى أخطاء وثبات التعقيد الحلقي لكل دالة عند 15 أو أقل. وفي المرحلة الثانية، وهي مرحلة الأنواع الصارمة والثوابت الهيكلية، يتم تفعيل strict: true في ملف tsconfig.json ومنع استدعاءات التجاوز للطبقات غير المصرح بها باستخدام dependency-cruiser. وفي المرحلة الثالثة، وهي مرحلة مراجعة كود نماذج اللغة الكبيرة الدلالية (Semantic LLM Code Review)، تتم إضافة CodeRabbit أو Qodo لاكتشاف عيوب P1 وP2 وتخطي الاختبارات. وإذا لم يتم اجتياز المرحلة السابقة بنسبة 100 بالمائة، يتم حظر الانتقال إلى المرحلة التالية أو تعيين مراجع بشري تماماً.
عند إدخال وكلاء الذكاء الاصطناعي في الهياكل الأحادية (Monolithic) أو قواعد الكود القديمة، يحدث تلوث بالسياق حيث يتجاهل النموذج المرافق المشتركة الحالية وينسئ وينشئ كيانات تنفيذ مستقلة خاصة به. نظراً لأن طريقة ملف الجذر المنفرد .cursorrules تستهلك سياق النموذج بشكل مفرط كلما كبر المشروع، يجب استخدام هيكل .cursor/rules/*.mdc المعياري. وبما أن ملفات MDC تُحقن شرطياً فقط عندما يكون نمط ملف معين هو هدف العمل، فإنها تقلل استهلاك الرموز (Tokens) بأكثر من 40 بالمائة بينما تعظم معدل الامتثال للقواعد.
لحماية سلامة النطاق الأساسي، يجب قفل المجلدات إجبارياً. أنشئ ملف .cursor/rules/core-boundaries.mdc في جذر المشروع وحدد المجلدات الأساسية مثل src/core/ledger/** كقراءة فقط مع إعداد alwaysApply: true. أضف .cursor/rules/api-contracts.mdc لمنع حذف حقول مخطط الاستجابة الحالية وفرض استخدام فئات استثناءات النطاق عند العمل على طبقة واجهة برمجة التطبيقات. وفي ملف .cursorignore، قم بتسجيل .env* وسجلات الترحيل (Migration History) لمنع النموذج تماماً من فحص المعلومات الحساسة. وبهذا تختفي حالات إنشاء الوكيل للمرافق بشكل مكرر بنسبة تزيد عن 90 بالمائة.
عندما يجعل المطور المبتدئ الذكاء الاصطناعي يكتب اختبارات الوحدة، تتجاوز تغطية الأسطر 90 بالمائة، ولكن تحدث عيوب اجتياز صامتة تفشل في رصد أخطاء منطق الأعمال الأساسي. والطريقة الوحيدة للتحقق مما إذا كانت الاختبارات تعمل بشكل صحيح هي قياس نقاط الطفرات (Mutation Score)، والتي تقيس ما إذا كانت الاختبارات ترصد عيوب الكود المحقونة عمداً وتؤدي إلى الفشل.
قم بزرع إطار عمل اختبار الطفرات Stryker في مسار الـ CI. أنشئ ملف stryker.config.json في جذر المشروع، وأضف src/domains/**/*.ts إلى بند mutate، ثم اضبط قيمة thresholds.break على 70. أضف أمر npx stryker run --since origin/main إلى مسار عمل GitHub Actions في .github/workflows/mutation-gate.yml لإجراء فحص تزايدي للأكواد المعدلة فقط. ومن الساعة 3 عصراً وحتى 6 مساءً كل يوم جمعة، توقف عن تطوير الميزات الجديدة وركز على إزالة المتحورات الحية ودمج الأكواد المكررة. وإذا انخفضت نقاط الطفرات للكود الجديد عن 70 بالمائة، يُصدر المسار خطأً فورياً ويمنع الدمج.
أكبر مشكلة في عملية إدخال الذكاء الاصطناعي هي الانفصال بين إهمال المطورين المتمرسين والاعتماد الأعمى للمبتدئين. تطبق Shopify مبدأ أنه حتى لو قام نموذج اللغة بكتابة 95 بالمائة من الكود، فإن المهندس الذي وضع اسمه على طلب السحب يتحمل مسؤولية بنسبة 100 بالمائة عن كل سطر. ويجب على القادة تشغيل روتين لكسر ثقة المبتدئين العمياء ونقل خبرات حقن السياق.
لعلاج قدرة المبتدئين على التلاعب بالأوامر، عُقد عيادة تركز على ذلك لمدة 30 دقيقة كل أسبوع. خلال الدقائق العشر الأولى، حيث يحمل المبتدئ تذكرة Sprint ويشارك شاشته مع المطور المتمرس لإصدار توجيهات للوكل، تتم ملاحظة ما إذا كان يطرح متطلبات غامضة. وفي الدقائق العشر الوسطى، يستعرض المطور المتمرس هندسة السياق التي تجعل قواعد معالجة الأخطاء ومستوى عزل المعاملات في المشروع قيوداً وقت إدخال الأمر. وفي الدقائق العشر الأخيرة، يتم تعليمه عدم تلقي إجابة صحيحة واحدة من الذكاء الاصطناعي بل جعلها تقارن بين أنماط بنى متعددة ثم طرح شروط حدودية مفقودة كحالات اختبار. وبعد مرور هذه العملية، ينخفض معدل أخطاء الأوامر لدى المبتدئين بأكثر من 60 بالمائة.
