Yapım (production) kodunu yapay zekâ ile analiz etme

Geliştiriciler için İleri Seviye AI Destekli Kodlama

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

Kod üretmenin ötesinde

nanobanana: full: yapay zekâ ile yapım kodunu analiz etme

Ders genel bakış

nanobanana: half: çoklu monitörlerle masada geliştirici

Bu derste şunları öğreneceksiniz:

✔ Yapım kodu için YZ tabanlı kod analizi yapmak
✔ YZ destekli test ve güvenlik uygulamak
✔ Yazılım tasarımı ve iş birliği için YZ kullanmak

Senaryo: Wayfarer Labs

nanobanana: half: dünya haritalarıyla turizm girişimi ofisi

💻 Wayfarer Labs'te bir yazılım geliştiricisiniz
🌎 Bir turizm girişimi, bir hareketlilik platformu kuruyor
🔎 Göreviniz: açık kaynak bir analitik araç bulmak

Atlas'ı keşfetme

Benimsemeden önceki kilit sorular:

Sürdürülebilir mi?
Güvenilir mi?
Uzun vadede sağlam bir ek mi?

🤖 YZ, kod değerlendirmesini hızlandırıp sistematikleştirebilir!

Yeni bir depoyu anlama

nanobanana: full: yeni bir depoyu keşfetmede yol gösteren yapay zekâ

Kod tabanına yönelim için yapılandırılmış istemler

🤖 Statik analiz istemi:

Aşağıdaki depo, yapım ortamında kullanılmak üzere tasarlanmış Atlas adlı bir Python analitik araç kutusu içerir.

Unix benzeri bir sisteme erişimim olduğunu ve yaygın açık kaynak araçları kurabildiğimi varsayın.

Bu kod tabanında, çalıştırmadan statik analiz yapmak istiyorum.

Sizin amacınız:

Bu proje için uygun statik analiz araçlarını önermek

Her aracın neyi ölçtüğünü ve neden ilgili olduğunu açıklamak

Analizi çalıştırmak için somut komutlar vermek

Temel sonuçları nasıl yorumlayacağınızı açıklamak

YZ destekli dinamik analiz

nanobanana: full: dinamik analiz profil çıkarma

Yapay zekâ ile kod kalitesini değerlendirme

🤖 Sürdürülebilirlik (maintainability) istemi:

Kod tabanını sürdürülebilirlik riskleri için analiz edin: aşırı yüklenmiş modülleri, bulanık sorumlulukları olan işlevleri ve tek bir değişikliğin birden çok dosyada düzenleme gerektirdiği alanları belirleyin.

Sürdürülebilirlik sorunları:

Aşırı yüklenmiş modüller
Bulanık sorumluluklar

Karmaşıklık ve teknik borç

🤖 Karmaşıklık istemi:

Özellikle uzun işlevler, iç içe koşullar ve dallanma üzerinde durarak yüksek mantıksal karmaşıklık alanlarını belirleyin.

Karmaşıklık göstergeleri:

Uzun işlevler
İç içe koşullar
Yüksek dallanma

🤖 Teknik borç istemi:

TODO'lar, yinelenen mantık veya eski kalıplar gibi teknik borç işaretlerini arayın.

Teknik borç sinyalleri:

TODO'lar ve FIXME'ler
Yinelenen mantık
Eski kalıplar

Değerlendirme sonucu

Atlas için hüküm:

✅ İyi yapılandırılmış kod tabanı
✅ Benimsemek makul
👀 Önce karmaşıklığı ele alın
👀 Teknik borcu azaltın

YZ destekli yeniden düzenleme

YZ bize ayrıca şunlarda da yardımcı olur:

Yüksek etki odaklı yeniden düzenleme (refactor)
Yama önerme

Önemli hatırlatma

nanobanana: half: önerileri eleştirel inceleyen geliştirici

YZ, mühendislik muhakemesinin yerine geçmez

Hata yapabilir
Bağlamı kaçırabilir
Halüsinasyon üretebilir

✔ Doğru kullanıldığında, anlamayı hızlandırır ve daha iyi kod kararları almamıza yardımcı olur

Hadi pratik yapalım!

Geliştiriciler için İleri Seviye AI Destekli Kodlama