AI · Programmeren
Hoe ik AI gebruik bij programmeren zonder review en tests over te slaan.
Ik gebruik AI intensief bij programmeren, maar juist daardoor ben ik strenger geworden op Git, tests, documentatie en expliciete aannames.
Eerste versie
Boilerplate en bekende patronen hoeven niet meer handmatig te beginnen
Een eerste implementatie, teststructuur of script kan in minuten ontstaan. Dat maakt experimenteren veel goedkoper en verlaagt de drempel om ideeën uit te proberen.
De eerste versie is alleen geen bewijs dat de architectuur past of dat randgevallen goed zijn afgedekt.
Bestaande code
Lees de codebase voordat je nieuwe code bedenkt
Veel AI-fouten ontstaan doordat een model een nette oplossing verzint die niet aansluit op bestaande interfaces, datamodellen of projectregels.
Daarom laat ik bij repo-werk eerst relevante source en documentatie lezen.
Git
Versiebeheer wordt belangrijker, niet minder belangrijk
Als een agent in korte tijd tientallen wijzigingen kan maken, wil ik juist kleine branches, duidelijke commits en een herstelpunt.
Een goede AI-workflow maakt wijzigingen controleerbaar in plaats van Git overbodig.
Tests
Een gegenereerde feature moet hetzelfde bewijs leveren als handgeschreven code
Tests, buildchecks, linting en runtimeverificatie zijn geen luxe omdat AI betrokken was. Ze zijn juist de manier om snelheid veilig om te zetten in bruikbare software.
Security
Code die werkt kan nog steeds een slecht idee zijn
Authenticatie, inputvalidatie, secrets, permissies en foutafhandeling vragen expliciete aandacht. Een model optimaliseert vaak eerst voor het zichtbare doel en niet vanzelf voor alle securitygrenzen.
Daarom laat ik belangrijke code ook apart reviewen.
Debugging
AI is sterk in hypotheses, logs beslissen
Bij een fout kan AI snel mogelijke oorzaken noemen en relevante code aanwijzen. De echte omgeving, stacktrace en reproduceerbare test bepalen welke hypothese klopt.
Ik wil voorkomen dat debugging verandert in vijf plausibele verhalen achter elkaar.
Verder