Written with AI assistance from the source video. The video is the authority.
5:31Maximilian Schwarzmüller
Log in to leave a comment
No posts yet
Seit der Einführung von AI-Coding-Tools ist die Code-Produktivität von Junior-Entwicklern enorm gestiegen. Doch für Sie als Tech Lead hat sich der Alltag wahrscheinlich in die Hölle verwandelt. Da massenhaft ungeprüfter Code auf einmal eingeht, sind Code-Reviews blockiert, und Merge-Konflikte sowie plötzliche Ausfälle der Deployment-Basis wiederholen sich ständig. Es ist an der Zeit, dem Trend hinterherzulaufen, zu stoppen. Was das Team jetzt braucht, sind quantitative Standards zur Steuerung des von Maschinen generierten Codes und ein klares Betriebssystem.
Der traditionelle Ansatz, Pull Requests (PRs) nach Funktionen einzureichen, führt zu einer ernsthaften Überlastung der Reviewer. Wenn man versucht, Hunderte von Codezeilen auf einmal zu validieren, endet man meist damit, nur die Grundfunktion zu prüfen und auf 'LGTM (Looks Good To Me)' zu klicken. Das ist der Moment, in dem Fehler ungehindert in die Produktion gelangen.
Sie sollten die PR-Einheiten in logische Einheiten aufteilen, die nur eine Architekturschicht oder eine einzelne Verantwortlichkeit (Single Responsibility) abdecken. Es empfiehlt sich, quantitative Obergrenzen von maximal 150 geänderten Zeilen und höchstens 5 geänderten Dateien zu erzwingen. Untersuchungen des Microsoft Engineering-Teams zeigen, dass nach der Einführung eines Standards, der Warnungen für PRs mit mehr als 400 Zeilen ausgibt, die Fehlerquote nach dem Merge um 35 % sank. Darüber hinaus zeigen Statistiken der Code-Analyse-Plattform Code Climate, dass kleine PRs mit unter 150 Zeilen eine um 40 % schnellere Merge-Geschwindigkeit aufweisen als PRs mit über 250 Zeilen, während die Entdeckungsrate potenzieller Fehler auf über 87 % steigt.
Um die Bearbeitungszeit für Code-Reviews zu verkürzen, sollten Sie interne Richtlinien schriftlich fixieren und die folgenden Übungen durchführen:
git rebase -i, um die erzeugten dichten Commits zu bearbeiten und aufzuräumen, um die Lesbarkeit der Projekthistorie zu gewährleisten.Für eine physische Erzwingung sollten Sie Danger JS in die CI/CD-Pipeline integrieren. Erstellen Sie eine dangerfile.js im Projektstammverzeichnis und setzen Sie ein Skript ein, das den Build fehlschlagen lässt, wenn die Anzahl der geänderten Zeilen 150 übersteigt oder die Beschreibung im PR-Text weniger als 15 Zeichen umfasst. Sobald das System beginnt, Änderungen zu blockieren, werden die Teammitglieder ihre PRs von sich aus aufteilen.
AI-Entwicklungstools sind praktisch, bergen aber Risiken wie Halluzinationen, bei denen Domänenkontexte ignoriert oder falsche APIs erfunden werden, sowie Sicherheitslücken. Um die Produktivität der Maschine mit Qualität zu vereinen, ist ein strenger 'Human-in-the-Loop'-Prozess unerlässlich. AI-generierter Code wird in einer separaten, isolierten Branch-Umgebung verifiziert, bevor er in den Main-Branch gemerged wird.
Der Workflow zur Verifizierung von AI-generiertem Code, um Deployment-Vorfälle zu reduzieren, sieht wie folgt aus:
main-Branch einen dedizierten Verzweigungs-Branch mit dem Präfix ai-refactor/. Konfigurieren Sie vor der Änderung des Codes eine detaillierte Markdown-Datei (spec.md) im lokalen Pfad, die Ziele und Einschränkungen enthält, um das AI-Modell davon abzuhalten, unnötigen Code zu produzieren.Assisted-by: AI-Model-Name hinzu, das den Status als unterstützende Autorenschaft kennzeichnet.Wenn Sie diesen Workflow etablieren, können Sie verhindern, dass ungeprüfter AI-Code direkt in den Mainstream gelangt.
Wenn PR-Einheiten auf unter 150 Zeilen verkleinert werden, wird die Lesbarkeit des Codes maximiert, aber Merge-Konflikte bei der Versionsverwaltung können sich verschärfen, da viele Entwickler kontinuierlich versuchen, am selben Zielpunkt zu mergen. Um dieses Problem zu lösen, sollte ein Paradigma der Trunk-basierten Entwicklung als Grundlage dienen, kombiniert mit Automatisierungstools für die kontinuierliche Einreichung wie Graphite und einer Feature-Flag-Architektur, die Ausführungspfade des Quellcodes zur Laufzeit steuert.
Damit unfertiger neuer Feature-Code sofort in den Mainstream gemerged werden kann, ohne den normalen Betrieb der Produktionsumgebung zu stören, installieren Sie die Feature-Flag-Lösung Unleash in der Codebasis und wenden Sie den folgenden Prozess an:
gt create und gt submit --stack, um einzustellen, dass übergeordnete Stack-Branches als Basis für untergeordnete Branches dienen. Definieren Sie innerhalb der Codebasis vorab gemeinsame Schnittstellen, die mit den Änderungsbereichen übereinstimmen.useFlag('feat_new_payment')) durch. Konfigurieren Sie die Factory-Verzweigungslogik so, dass zum Zeitpunkt der Deaktivierung des Flags die alte Version als Standard gerendert wird.Führen Sie den Merge in den Main-Trunk durch, während Sie die Zielzugriffsrate des entsprechenden Flags im Unleash-Dashboard auf 0 % setzen. Da unfertiger Code zwar ständig gemerged wird, aber für den Endbenutzer nicht sichtbar ist, lassen sich Merge-Konflikte im Voraus vermeiden.
Um eine nachhaltige Entwicklungsorganisation aufzubauen, müssen Sie den Code-Review-Prozess selbst auf Basis von Metriken steuern, um sicherzustellen, dass er gesund zirkuliert. Laut den Benchmarking-Leitfäden von Code Climate ist es effektiv, die 'Review Cycles' zu überwachen – die Häufigkeit des Feedbacks und der Korrektur-Commits von der Erstellung bis zum Merging eines einzelnen PRs. Bei den agilsten Organisationen, die zu den besten 25 % der Branche gehören, konvergieren die durchschnittlichen Review-Zyklen auf unter 1,1. Wenn hingegen die Metriken eines bestimmten Teams häufig 1,5 Zyklen überschreiten, ist dies ein Signal dafür, dass Barrieren bestehen, wie etwa fehlende Dokumente zu Konventionsstandards oder unklare Planungsdefinitionen.
Um Reibungspunkte bei den Konventionen, die sich während des Review-Prozesses ansammeln, zu minimieren, kombinieren Sie den Lernmechanismus von CodeRabbit mit einer Feedback-Schleife auf Basis der Rulens CLI:
npx rulens generate in die Pipeline, sodass das im CI/CD-Runner ansässige Rulens-Dienstprogramm dies in der Build-Phase abfängt und automatisch eine neue Regel-Dokumentdatei namens docs/lint-rules.md kompiliert.Sobald diese Betriebsroutine etabliert ist, wird die AI den Code von der ersten Schreibphase an unter Berücksichtigung der internen Coding-Konventionen des Teams ausgeben. Wiederholte Lint-Fehler, manuelle Korrekturen und zeitraubende Diskussionsschleifen mit dem Reviewer werden reduziert, wodurch die Anzahl der Review-Zyklen des gesamten Teams effizient gesteuert werden kann.