AI کوڈ کیسا لگتا ہے؟ [ویڈیو اور کوئز]

مختصر جواب: AI کی مدد سے کوڈ اکثر غیر معمولی طور پر صاف اور "ٹیکسٹ بک" کے طور پر پڑھتا ہے: مستقل فارمیٹنگ، عام نام، شائستہ غلطی کے پیغامات، اور تبصرے جو واضح کو دوبارہ بیان کرتے ہیں۔ اگر اس میں حقیقی دنیا کی تحمل غائب ہے - ڈومین کی زبان، عجیب و غریب رکاوٹیں، کنارے کے معاملات - یہ ایک انتباہی علامت ہے۔ جب آپ اسے اپنے ریپو پیٹرن میں لنگر انداز کرتے ہیں اور اسے پیداواری خطرات کے خلاف آزماتے ہیں، تو یہ قابل اعتماد بن جاتا ہے۔

اہم نکات:

سیاق و سباق کی جانچ: اگر ڈومین کی شرائط، ڈیٹا کی شکلیں، اور رکاوٹیں ظاہر نہیں ہوتی ہیں، تو اسے خطرناک سمجھیں۔

اوور پولش: ضرورت سے زیادہ ڈاکسٹرنگز، یکساں ڈھانچہ، اور ناقص نام عام نسل کا اشارہ دے سکتے ہیں۔

خرابی کا نظم و ضبط: وسیع استثنائی کیچز، نگل گئی ناکامیوں، اور مبہم لاگنگ کے لیے دیکھیں۔

خلاصہ ٹرم: قیاس آرائی پر مبنی مددگار اور تہوں کو حذف کریں جب تک کہ صرف سب سے چھوٹا درست ورژن باقی نہ رہے۔

حقیقت کے ٹیسٹ: انضمام اور ایج کیس ٹیسٹ شامل کریں۔ وہ "صاف دنیا" کے مفروضوں کو تیزی سے بے نقاب کرتے ہیں۔

AI کی مدد سے کوڈنگ اب ہر جگہ موجود ہے (اسٹیک اوور فلو ڈیولپر سروے 2025؛ GitHub Octoverse (اکتوبر 28، 2025))۔ کبھی کبھی یہ شاندار ہوتا ہے اور آپ کو ایک دوپہر بچاتا ہے۔ دوسری بار یہ… مشتبہ طور پر پالش کیا جاتا ہے، تھوڑا سا عام ہوتا ہے، یا یہ "کام کرتا ہے" جب تک کہ کوئی ایک بٹن پر کلک نہیں کرتا ہے جس کا تجربہ کسی نے نہیں کیا 🙃۔ اس سے وہ سوال پیدا ہوتے ہیں جو لوگ کوڈ کے جائزوں، انٹرویوز اور نجی ڈی ایم میں اٹھاتے رہتے ہیں:

AI کوڈ کیسا نظر آتا ہے۔

سیدھا جواب ہے: یہ کسی بھی چیز کی طرح نظر آسکتا ہے۔ لیکن نمونے ہیں - نرم اشارے، عدالتی ثبوت نہیں۔ اس کے بارے میں اندازہ لگانا جیسے کیک بیکری سے آیا ہے یا کسی کے کچن سے۔ فراسٹنگ بہت پرفیکٹ ہو سکتی ہے، لیکن کچھ گھریلو نانبائی بھی خوفناک حد تک اچھے ہوتے ہیں۔ ایک ہی آواز۔.

ذیل میں عام AI فنگر پرنٹس کو پہچاننے، یہ سمجھنے کے لیے ایک عملی گائیڈ ہے کہ وہ کیوں ہوتے ہیں، اور - اہم بات - AI سے تیار کردہ کوڈ کو کوڈ میں کیسے تبدیل کیا جائے جس پر آپ کو پروڈکشن پر بھروسہ ہو ✅۔.

🔗 AI رجحانات کی پیشین گوئی کیسے کرتا ہے؟
حقیقی استعمال میں پیٹرن سیکھنے، سگنلز، اور پیشن گوئی کی وضاحت کرتا ہے۔.

🔗 AI بے ضابطگیوں کا پتہ کیسے لگاتا ہے؟
بیرونی پتہ لگانے کے طریقوں اور عام کاروباری ایپلی کیشنز کا احاطہ کرتا ہے۔.

🔗 AI کتنا پانی استعمال کرتا ہے؟
ڈیٹا سینٹر کے پانی کے استعمال اور تربیت کے اثرات کو توڑ دیتا ہے۔.

🔗 AI تعصب کیا ہے؟
تعصب کے ذرائع، نقصانات، اور اسے کم کرنے کے عملی طریقوں کی وضاحت کرتا ہے۔.

1) سب سے پہلے، جب لوگ "AI کوڈ" کہتے ہیں تو اس کا کیا مطلب ہوتا ہے۔

جب زیادہ تر لوگ "AI کوڈ" کہتے ہیں، تو ان کا مطلب عام طور پر ان میں سے ایک ہوتا ہے:

• AI اسسٹنٹ کے ذریعہ تیار کردہ کوڈ (فیچر، بگ فکس، ریفیکٹر)۔

• خود کار طریقے سے مکمل شدہ کوڈ، جہاں ڈویلپر نے جھٹکا دیا لیکن مکمل طور پر مصنف نہیں کیا۔

• کوڈ کو AI نے "صفائی"، "کارکردگی" یا "انداز" کے لیے دوبارہ لکھا ہے۔

• کوڈ جو ایسا لگتا ہے کہ یہ کسی AI سے آیا ہے یہاں تک کہ اگر ایسا نہیں ہوا (یہ لوگوں کے تسلیم کرنے سے زیادہ ہوتا ہے)۔

اور یہاں ایک اہم نکتہ ہے: AI کا کوئی ایک انداز نہیں ہے۔ اس کے رجحانات۔ ان میں سے بہت سے رجحانات بڑے پیمانے پر درست، وسیع طور پر پڑھنے کے قابل، اور وسیع پیمانے پر محفوظ ہونے کی کوشش کرنے سے آتے ہیں… جو ستم ظریفی سے آؤٹ پٹ کو تھوڑا سا جیسا محسوس کر سکتے ہیں۔

2) AI کوڈ کیسا نظر آتا ہے: فوری بصری بتاتا ہے 👀

آئیے شہ سرخی کا صاف جواب دیں: AI کوڈ کیسا نظر آتا ہے۔

اکثر یہ کوڈ کی طرح لگتا ہے:

• بہت "ٹیسٹ بک ٹیڈی" - مستقل انڈینٹیشن، مستقل فارمیٹنگ، مستقل ہر چیز۔

• غیر جانبدارانہ انداز میں لفظی - بہت سارے "مددگار" تبصرے جو زیادہ مدد نہیں کرتے۔

• اوور جنرلائزڈ - دو حقیقی منظرناموں کی بجائے دس خیالی منظرناموں کو ہینڈل کرنے کے لیے بنایا گیا ہے۔

• قدرے اوور سٹرکچرڈ - اضافی مددگار فنکشنز، اضافی پرتیں، اضافی تجرید… جیسے تین سوٹ کیسز کے ساتھ ویک اینڈ ٹرپ کے لیے پیکنگ۔

• عجیب ایج کیس گلو غائب ہے جو حقیقی سسٹمز جمع کرتے ہیں (فیچر فلیگ، میراثی نرالا، تکلیف دہ رکاوٹیں) (مارٹن فولر: فیچر ٹوگلز)۔

لیکن یہ بھی - اور میں اسے دہراتا رہوں گا کیونکہ یہ اہمیت رکھتا ہے - انسانی ڈویلپر بھی بالکل اس طرح لکھ سکتے ہیں۔ کچھ ٹیمیں اسے نافذ کرتی ہیں۔ کچھ لوگ صرف صاف پاگل ہوتے ہیں۔ میں پیار سے کہتا ہوں 😅.

لہذا "اسپاٹنگ AI" کے بجائے یہ پوچھنا بہتر ہے: کیا یہ کوڈ ایسا برتاؤ کرتا ہے جیسے اسے حقیقی سیاق و سباق کے ساتھ لکھا گیا ہو؟ سیاق و سباق وہ جگہ ہے جہاں AI اکثر پھسل جاتا ہے۔

3) "غیر معمولی وادی" کے نشانات - جب یہ بہت صاف ہو 😬

AI سے تیار کردہ کوڈ میں اکثر ایک خاص "گلاس" ہوتا ہے۔ ہمیشہ نہیں بلکہ اکثر۔.

عام "بہت صاف" سگنل

• ہر فنکشن کی ایک دستاویز ہوتی ہے یہاں تک کہ جب یہ واضح ہو۔

• تمام متغیرات کے شائستہ نام ہوتے ہیں جیسے نتیجہ، ڈیٹا، آئٹمز، پے لوڈ، ریسپانس ڈیٹا۔

• مستقل خرابی کے پیغامات جو دستی کی طرح لگتے ہیں: "درخواست پر کارروائی کرتے وقت ایک خرابی پیش آگئی۔"

• غیر متعلقہ ماڈیولز میں یکساں پیٹرن، جیسے سب کچھ ایک ہی محتاط لائبریرین نے لکھا تھا۔

لطیف تحفہ

AI کوڈ محسوس کر سکتا ہے کہ یہ کسی ٹیوٹوریل کے لیے ڈیزائن کیا گیا تھا، نہ کہ کسی پروڈکٹ کے لیے۔ یہ ایسا ہی ہے… باڑ کو پینٹ کرنے کے لیے سوٹ پہننا۔ لباس کے لیے بہت مناسب، قدرے غلط سرگرمی۔.

4) AI کوڈ کا ایک اچھا ورژن کیا بناتا ہے؟ ✅

چلو اسے پلٹائیں. کیونکہ مقصد "کیچ اے آئی" نہیں ہے، یہ "جہاز کا معیار" ہے۔

AI کی مدد سے کوڈ کا ایک اچھا ورژن ہے:

• آپ کے اصلی ڈومین میں لنگر انداز (آپ کا نام، آپ کے ڈیٹا کی شکلیں، آپ کی رکاوٹیں)۔

• آپ کے فن تعمیر کے ساتھ منسلک (پیٹرن ریپو سے ملتے ہیں، عام ٹیمپلیٹ سے نہیں)۔

• آپ کے خطرات کے خلاف تجربہ کیا گیا (صرف ہیپی پاتھ یونٹ ٹیسٹ نہیں) (گوگل پر سافٹ ویئر انجینئرنگ: یونٹ ٹیسٹنگ؛ دی پریکٹیکل ٹیسٹ پیرامڈ)۔

• ارادے کے ساتھ جائزہ لیا گیا (کسی نے پوچھا "یہ کیوں؟" نہ صرف "کیا یہ مرتب کرتا ہے") (گوگل انجینئرنگ پریکٹسز: دی سٹینڈرڈ آف کوڈ ریویو)۔

• تراش لیا گیا (کم خیالی مستقبل کا ثبوت)۔

دوسرے لفظوں میں، زبردست AI کوڈ ایسا لگتا ہے… آپ کی ٹیم نے اسے لکھا ہے۔ یا کم از کم، آپ کی ٹیم نے اسے صحیح طریقے سے اپنایا۔ ایک ریسکیو کتے کی طرح جو اب جانتا ہے کہ صوفہ کہاں ہے 🐶۔.

5) پیٹرن لائبریری: کلاسک AI فنگر پرنٹس (اور وہ کیوں ہوتے ہیں) 🧩

یہ وہ نمونے ہیں جو میں نے بار بار AI کی مدد سے چلنے والے کوڈ بیسز میں دیکھے ہیں - بشمول وہ جن کو میں نے ذاتی طور پر صاف کیا ہے۔ ان میں سے کچھ ٹھیک ہیں۔ کچھ خطرناک ہیں۔ زیادہ تر صرف… سگنلز ہیں۔.

A) ہر جگہ زیادہ دفاعی null چیکنگ

آپ کو اس کی پرتیں نظر آئیں گی:

• اگر x کوئی نہیں ہے: واپسی...

• استثنیٰ کے علاوہ کوشش کریں۔

• متعدد فال بیک ڈیفالٹس

کیوں: AI وسیع پیمانے پر رن ​​ٹائم غلطیوں سے بچنے کی کوشش کرتا ہے۔
خطرہ: یہ حقیقی ناکامیوں کو چھپا سکتا ہے اور ڈیبگنگ کو مجموعی بنا سکتا ہے۔

ب) عام مددگار افعال جو اپنا وجود حاصل نہیں کرتے ہیں۔

جیسے:

• عمل_ڈیٹا()

• ہینڈل_درخواست ()

• validate_input()

کیوں: تجرید "پیشہ ورانہ" محسوس ہوتا ہے۔
خطرہ: آپ ایسے فنکشنز کے ساتھ ختم ہوتے ہیں جو سب کچھ کرتے ہیں اور کچھ بھی نہیں بتاتے۔

C) تبصرے جو کوڈ کو دوبارہ بیان کرتے ہیں۔

توانائی کی مثال:

• "i میں 1 اضافہ کریں"

• "جواب واپس کریں"

کیوں: AI کو وضاحتی ہونے کی تربیت دی گئی تھی۔
خطرہ: تبصرے تیزی سے سڑتے ہیں اور شور پیدا کرتے ہیں۔

D) تفصیل کی متضاد گہرائی

ایک حصہ انتہائی تفصیلی ہے، دوسرا حصہ پراسرار طور پر مبہم ہے۔.

کیوں: فوری فوکس ڈرفٹ… یا جزوی سیاق و سباق۔
خطرہ: کمزور دھبے مبہم علاقوں میں چھپ جاتے ہیں۔

E) مشتبہ طور پر ہم آہنگی کی ساخت

سب کچھ ایک ہی کنکال کی پیروی کرتا ہے، یہاں تک کہ جب کاروباری منطق نہیں ہونا چاہئے.

کیوں: AI ثابت شدہ شکلوں کو دہرانا پسند کرتا ہے۔
خطرہ: ضروریات متوازی نہیں ہیں - وہ گانٹھ ہیں، جیسے بری طرح سے پیک شدہ گروسری 🍅📦۔

6) موازنہ کی میز - یہ اندازہ کرنے کے طریقے کہ AI کوڈ کیسا نظر آتا ہے 🧪

ذیل میں ایک عملی ٹول کٹ کا موازنہ ہے۔ "AI ڈیٹیکٹر" نہیں، زیادہ کوڈ ریئلٹی چیک۔ کیونکہ قابل اعتراض کوڈ کی شناخت کرنے کا بہترین طریقہ یہ ہے کہ اس کی جانچ کریں، اس کا جائزہ لیں اور دباؤ میں اس کا مشاہدہ کریں۔

ہاں "قیمت" کا کالم تھوڑا سا بیوقوف ہے - کیونکہ مہنگا حصہ عام طور پر توجہ کا ہوتا ہے، ٹولنگ نہیں۔ توجہ کی قیمت… سب کچھ 😵💫۔.

7) AI کی مدد سے کوڈ 🧱 میں ساختی اشارے

اگر آپ اس کا گہرا جواب چاہتے ہیں کہ AI کوڈ کیسا نظر آتا ہے، تو زوم آؤٹ کریں اور ساخت کو دیکھیں۔.

1) نام دینا جو تکنیکی طور پر درست ہے لیکن ثقافتی طور پر غلط ہے۔

AI بہت سے پروجیکٹس میں ایسے ناموں کا انتخاب کرتا ہے جو "محفوظ" ہوں۔ لیکن ٹیمیں اپنی بولی تیار کرتی ہیں:

• آپ اسے AccountId، AI اسے userId۔

• آپ اسے LedgerEntry، AI اسے ٹرانزیکشن۔

• آپ اسے FeatureGate، یہ اسے configFlag۔

اس میں سے کوئی بھی "خراب" نہیں ہے، لیکن یہ اس بات کا اشارہ ہے کہ مصنف آپ کے ڈومین میں زیادہ دیر تک نہیں رہا۔.

2) دوبارہ استعمال کے بغیر دہرانا، یا بغیر کسی وجہ کے دوبارہ استعمال کرنا

AI بعض اوقات:

• ایک سے زیادہ جگہوں پر ایک جیسی منطق کو دہراتا ہے کیونکہ یہ ایک ہی بار میں پورے ریپو سیاق و سباق کو "یاد" نہیں کرتا، یا

• قوتیں تجرید کے ذریعے دوبارہ استعمال کرتی ہیں جو تین لائنوں کو بچاتی ہیں لیکن تین گھنٹے بعد لاگت آتی ہیں۔.

یہ تجارت ہے: اب کم ٹائپنگ، بعد میں زیادہ سوچنا۔ اور مجھے ہمیشہ یقین نہیں ہے کہ یہ ایک اچھی تجارت ہے، میرا اندازہ ہے… ہفتے پر منحصر ہے 😮💨۔.

3) "کامل" ماڈیولرٹی جو حقیقی حدود کو نظر انداز کرتی ہے۔

آپ کو کوڈ صاف ماڈیولز میں تقسیم نظر آئے گا:

• تصدیق کرنے والے/

• خدمات/

• سنبھالنے والے/

• استعمال

لیکن حدود آپ کے سسٹم کے سیون سے مماثل نہیں ہوسکتی ہیں۔ ایک انسان فن تعمیر کے درد کے نکات کی عکس بندی کرتا ہے۔ AI ایک صاف ستھرا خاکہ کی عکس بندی کرتا ہے۔.

8) ایرر ہینڈلنگ - جہاں AI کوڈ ملتا ہے… پھسلنا 🧼

غلطی سے نمٹنا سب سے بڑی باتوں میں سے ایک ہے، کیونکہ اس کے لیے صرف درستی کی نہیں، بلکہ فیصلے کی ضرورت ہوتی ہے۔

دیکھنے کے لیے پیٹرن

• وسیع مستثنیات کو پکڑنا (Pylint docs: bare-except)

• غلطیاں نگلنا اور ڈیفالٹس واپس کرنا

• بامعنی ناکامیوں کو بڑھانے کے بجائے "کامیابی: غلط" لوٹنا

• لوپس کو دوبارہ آزمائیں (یا ایک ٹوپی جو عجیب طور پر 3 کی طرح منتخب کی گئی ہے، کیونکہ 3 اچھا لگتا ہے) (AWS نسخہ جاتی رہنمائی: بیک آف کے ساتھ دوبارہ کوشش کریں؛ AWS Builders' Library: ٹائم آؤٹ، دوبارہ کوششیں اور jitter کے ساتھ بیک آف)

کیا اچھا لگتا ہے

• ناکامیاں مخصوص ہیں۔

• غلطیاں قابل عمل ہیں ۔

• لاگنگ میں سیاق و سباق (آئی ڈی، ان پٹ، متعلقہ حالت)

• حساس ڈیٹا نہیں ڈالا جاتا (AI بعض اوقات اسے بھول جاتا ہے 😬) (OWASP لاگنگ چیٹ شیٹ؛ OWASP ٹاپ 10 2025: سیکیورٹی لاگنگ اور الرٹنگ ناکامیاں)

ایک بہت ہی انسانی خصلت ایک غلطی کا پیغام لکھنا ہے جو تھوڑا سا ناراض ہے۔ ہمیشہ نہیں، لیکن جب آپ اسے دیکھتے ہیں تو آپ اسے جانتے ہیں۔ AI غلطی کے پیغامات اکثر مراقبہ ایپ کی طرح پرسکون ہوتے ہیں۔.

9) ایج کیسز اور پروڈکٹ کی حقیقت - "گمشدہ تحمل" 🧠🪤

حقیقی نظام بے ترتیب ہیں۔ AI آؤٹ پٹ میں اکثر اس ساخت کی کمی ہوتی ہے۔.

ٹیموں کے پاس موجود "گرٹ" کی مثالیں:

• نمایاں جھنڈے اور جزوی رول آؤٹ (مارٹن فاؤلر: فیچر ٹوگلز)

• پسماندہ مطابقت ہیکس

• عجیب تھرڈ پارٹی ٹائم آؤٹ

• میراثی ڈیٹا جو آپ کے اسکیما کی خلاف ورزی کرتا ہے۔

• متضاد کیسنگ، انکوڈنگ، یا مقامی مسائل

• کاروباری قواعد جو صوابدیدی محسوس کرتے ہیں کیونکہ وہ صوابدیدی ہیں۔

اگر آپ اسے بتاتے ہیں تو AI کنارے کے معاملات کو سنبھال سکتا ہے، لیکن اگر آپ انہیں واضح طور پر شامل نہیں کرتے ہیں، تو یہ اکثر "صاف دنیا" حل پیدا کرتا ہے۔ صاف ستھری دنیا پیاری ہے۔ صاف ستھری دنیا کا بھی کوئی وجود نہیں۔.

تھوڑا سا تناؤ والا استعارہ آنے والا: AI کوڈ بالکل نئے سپنج کی طرح ہے - اس نے ابھی تک باورچی خانے کی تباہی کو جذب نہیں کیا ہے۔ وہاں، میں نے یہ کہا 🧽۔ میرا بہترین کام نہیں ہے، لیکن یہ سچ ہے۔.

10) AI سے مدد یافتہ کوڈ کو انسان کا احساس کیسے بنایا جائے - اور اس سے بھی اہم بات یہ ہے کہ قابل اعتماد بنیں 🛠️✨

اگر آپ کوڈ کو ڈرافٹ کرنے کے لیے AI استعمال کر رہے ہیں (اور بہت سے لوگ ہیں)، تو آپ چند عادات کے ساتھ آؤٹ پٹ کو ڈرامائی طور پر بہتر بنا سکتے ہیں۔.

A) اپنی رکاوٹوں کو سامنے رکھیں

"ایک فنکشن لکھیں جو…" کے بجائے، کوشش کریں:

• متوقع ان پٹ/آؤٹ پٹ

• کارکردگی کی ضروریات

• غلطی کی پالیسی (اٹھانا، واپسی کے نتیجے کی قسم، لاگ + فیل؟)

• نام دینے کے معاہدے

• آپ کے ریپو میں موجودہ پیٹرن

ب) صرف حل نہیں بلکہ تجارت سے متعلق پوچھیں۔

اس کے ساتھ فوری طور پر:

• "دو نقطہ نظر دیں اور تجارت کی وضاحت کریں۔"

• "آپ یہاں کیا کرنے سے گریز کریں گے اور کیوں؟"

• "یہ پیداوار میں کہاں ٹوٹ جائے گا؟"

AI بہتر ہے جب آپ اسے خطرات میں سوچنے پر مجبور کرتے ہیں۔.

ج) اسے ڈیلیٹ کوڈ بنائیں

سنجیدگی سے۔ پوچھیں:

• "کسی بھی غیر ضروری تجرید کو ہٹا دیں۔"

• "اسے سب سے چھوٹے درست ورژن میں کاٹ دیں۔"

• "کون سے حصے قیاس آرائی پر مبنی ہیں؟"

AI شامل کرنے کا رجحان رکھتا ہے۔ عظیم انجینئر منہا کرتے ہیں۔.

D) ایسے ٹیسٹ شامل کریں جو حقیقت کی عکاسی کریں۔

نہ صرف:

• "متوقع آؤٹ پٹ واپس کرتا ہے"

لیکن:

• عجیب ان پٹ

• لاپتہ فیلڈز

• ہم آہنگی

• جزوی ناکامی

• انضمام کی سطح کا برتاؤ (گوگل میں سافٹ ویئر انجینئرنگ: بڑی جانچ؛ عملی ٹیسٹ پیرامڈ)

اگر آپ اور کچھ نہیں کرتے تو یہ کریں۔ ٹیسٹ جھوٹ پکڑنے والے ہیں، اور انہیں اس بات کی پرواہ نہیں ہے کہ کوڈ کس نے لکھا ہے 😌۔.

11) اختتامی نوٹ + فوری ریکاپ 🎯

لہذا، AI کوڈ کی طرح نظر آتا ہے: یہ اکثر صاف، عام، قدرے زیادہ وضاحت شدہ، اور خوش کرنے کے لیے تھوڑا بہت بے تاب نظر آتا ہے۔ بڑا "بتاؤ" فارمیٹنگ یا تبصرے نہیں ہے - اس میں سیاق و سباق موجود نہیں ہے: ڈومین کا نام، عجیب کنارے کے معاملات، اور فن تعمیر سے متعلق مخصوص انتخاب جو نظام کے ساتھ رہنے سے آتے ہیں۔

فوری خلاصہ

• AI کوڈ ایک سٹائل نہیں ہے، لیکن یہ اکثر صاف ستھرا، لفظی اور زیادہ عمومی رجحان رکھتا ہے۔.

• بہترین سگنل یہ ہے کہ آیا کوڈ آپ کی حقیقی رکاوٹوں اور مصنوع کی تحمل کی عکاسی کرتا ہے۔.

• پتہ لگانے کے جنون میں مبتلا نہ ہوں - معیار پر جنون: ٹیسٹ، جائزہ، وضاحت، اور ارادہ (گوگل انجینئرنگ پریکٹسز: کوڈ ریویو؛ گوگل پر سافٹ ویئر انجینئرنگ: یونٹ ٹیسٹنگ)۔

• AI پہلے مسودے کے طور پر ٹھیک ہے۔ یہ آخری مسودہ کے طور پر ٹھیک نہیں ہے۔ یہ سارا کھیل ہے۔.

اور اگر کوئی آپ کو AI استعمال کرنے پر شرمندہ کرنے کی کوشش کرتا ہے، تو صاف کہتا ہے… شور کو نظر انداز کریں۔ بس ٹھوس کوڈ بھیجیں۔ ٹھوس کوڈ واحد فلیکس ہے جو 💪🙂 رہتا ہے۔.

حقیقی دنیا کی مثال: AI کے تیار کردہ چیک آؤٹ بگ فکس کا جائزہ لینا 🛒

منظر نامہ

تصور کریں کہ ایک چھوٹی ای کامرس ٹیم ایک AI اسسٹنٹ کا استعمال کرتے ہوئے چیک آؤٹ کے مسئلے کے لیے بگ فکس کا مسودہ تیار کر رہی ہے: جب ادائیگی فراہم کرنے والے کا وقت ختم ہو جاتا ہے اور دوبارہ کوشش کرنے والے بٹن پر کلک کیا جاتا ہے تو صارفین سے بعض اوقات دو بار چارج کیا جاتا ہے۔.

پہلا AI مسودہ صاف نظر آتا ہے۔ یہ دوبارہ کوشش کرنے والے مددگار کو شامل کرتا ہے، ادائیگی کی کال کو وسیع ایرر ہینڈلنگ میں لپیٹ دیتا ہے، اور کچھ ناکام ہونے پر ایک شائستہ پیغام واپس کرتا ہے۔ ایک نظر میں، یہ پیشہ ورانہ محسوس ہوتا ہے. لیکن خطرہ سطح کے بالکل نیچے بیٹھا ہے: کوڈ اس بات کی جانچ نہیں کرتا ہے کہ آیا ادائیگی کی پہلی کوشش کامیاب ہو چکی ہے۔.

بالکل وہی جگہ ہے جہاں AI کی مدد سے کوڈ کو پیداواری دباؤ کی ضرورت ہوتی ہے۔ مسئلہ یہ نہیں ہے کہ کوڈ "AI لکھا ہوا" نظر آتا ہے۔ مسئلہ یہ ہے کہ یہ ایک صاف دنیا کو فرض کرتا ہے جہاں ٹائم آؤٹ کا مطلب ہے "کچھ نہیں ہوا"۔.

اسسٹنٹ کو کیا ضرورت ہے۔

AI سے بگ کو ٹھیک کرنے کے لیے کہنے سے پہلے، اسے سخت تفصیلات دیں:

• ادائیگی فراہم کرنے والا 8 سیکنڈ کے بعد وقت ختم کر سکتا ہے۔.

• وقت ختم ہونے سے یہ ثابت نہیں ہوتا کہ چارج ناکام ہو گیا ہے۔.

• ہر چیک آؤٹ میں ایک منفرد آرڈر آئی ڈی اور آئیڈیمپوٹینسی کی ہوتی ہے۔.

• موجودہ ریپو ادائیگی کی کوشش کا استعمال کرتا ہے، لین دین کا نہیں۔.

• ناکام ادائیگیوں کو آرڈر آئی ڈی، فراہم کنندہ کی درخواست آئی ڈی، اور دوبارہ کوشش کی گنتی کے ساتھ لاگ ان ہونا چاہیے۔.

• لاگز میں کارڈ کی کوئی تفصیلات یا ذاتی ڈیٹا ظاہر نہیں ہونا چاہیے۔.

• درست کرنے میں ڈپلیکیٹ کلکس، فراہم کنندہ کے ٹائم آؤٹ، اور جزوی ناکامیوں کے ٹیسٹ شامل ہونے چاہئیں۔.

مثال کی ہدایت

ڈبل چارج والے بگ کو ٹھیک کرنے کے لیے موجودہ چیک آؤٹ سروس پیٹرن استعمال کریں۔ ایک عام دوبارہ کوشش ریپر نہ بنائیں جب تک کہ اس کی ضرورت نہ ہو۔ ادائیگی فراہم کرنے والے ٹائم آؤٹ کو نامعلوم حیثیت کے طور پر سمجھیں، ناکام ادائیگیوں کے طور پر نہیں۔ موجودہ PaymentAttempt نام استعمال کریں۔ OrderId اور idempotencyKey کا استعمال کرتے ہوئے ایک idempotency چیک شامل کریں۔ اس کے لیے ٹیسٹ شامل کریں: ایک کامیاب ادائیگی، ٹائم آؤٹ کے بعد دوبارہ کوشش کریں، ڈپلیکیٹ بٹن پر کلک کریں، کلائنٹ کے ٹائم آؤٹ کے بعد فراہم کنندہ کی کامیابی، اور فراہم کنندہ کی درخواست آئی ڈی غائب ہو۔ حل کو ہر ممکن حد تک چھوٹا رکھیں اور وضاحت کریں کہ یہ اب بھی پیداوار میں کہاں ناکام ہو سکتا ہے۔.

اس کی جانچ کیسے کی جائے۔

ایک جائزہ لینے والا AI کے معاون کوڈ کو منظور کرنے سے پہلے پانچ آسان چیک چلا سکتا ہے:

1. ایک ہی idempotencyKey کے ساتھ ایک ہی چیک آؤٹ کی درخواست دو بار جمع کروائیں۔.

2. فراہم کنندہ کے ٹائم آؤٹ کی تقلید کریں جہاں فراہم کنندہ بعد میں کامیابی کی تصدیق کرتا ہے۔.

3. ٹائم آؤٹ کے بعد دوبارہ کوشش کریں اور تصدیق کریں کہ کوئی دوسرا چارج نہیں ہے۔.

4. حساس ڈیٹا کو لیک کیے بغیر درست ڈیبگنگ فیلڈز کے لاگز کو چیک کریں۔.

5. مصنف سے پوچھیں کہ یہ وضاحت کرنے کے لیے کہ دوبارہ کوشش کی منطق عام افادیت کے بجائے اس تہہ میں کیوں ہے۔.

ایک کمزور AI ڈرافٹ خوشی کے راستے سے گزر سکتا ہے لیکن ٹائم آؤٹ کے بعد کامیابی کے معاملے میں ناکام ہو سکتا ہے۔ یہ امتحان کی شکل میں ظاہر ہونے والا "صاف دنیا" کا مفروضہ ہے۔.

نتیجہ

مثالی نتیجہ: اس خیالی چیک آؤٹ بگ کے لیے پانچ کیسوں کے جائزے کی مشق کے وقت کی بنیاد پر، AI ڈرافٹ کو تیار کرنے میں تقریباً 20 منٹ لگے، لیکن پہلے ورژن میں 5 مطلوبہ ٹیسٹوں میں سے 2 چھوٹ گئے: ڈپلیکیٹ-کلک ہینڈلنگ اور فراہم کنندہ-کامیابی-آفٹر-ٹائم آؤٹ ہینڈلنگ۔.

اوپر ڈومین کی رکاوٹوں کو شامل کرنے کے بعد، نظرثانی شدہ مسودے میں تمام 5 ٹیسٹ کیسز کا احاطہ کیا گیا اور اس میں کم دستی جائزے کے تبصروں کی ضرورت ہے: پہلے مسودے پر 9 تبصرے بمقابلہ 3 تبصرے محدود مسودے پر۔ مجموعی جائزہ اور نظرثانی کا وقت ایک اندازے کے مطابق 55 منٹ سے گھٹ کر 32 منٹ رہ گیا ہے۔.

یہ ایک ثابت شدہ معیار نہیں ہے۔ یہ ایک مثالی تخمینہ ہے کہ ایک ٹیم لائیو پل کی درخواستوں کے دوران تین نمبروں کو ٹریک کر کے تصدیق کر سکتی ہے: ڈرافٹ سے منظور شدہ PR تک کا وقت، جائزہ لینے والوں کے تبصروں کی تعداد، اور ناکام ایج کیس ٹیسٹوں کی تعداد۔.

کیا غلط ہو سکتا ہے

سب سے خطرناک غلطی AI کو "ٹائم آؤٹ" کو "ناکامی" سمجھنا ہے۔ ادائیگی کے نظام، ای میل کی ترسیل، بکنگ پلیٹ فارم، انوینٹری اپ ڈیٹس، اور بیک گراؤنڈ جابز میں، یہ مفروضہ ڈپلیکیٹ ایکشنز بنا سکتا ہے۔.

دیگر عام مسائل:

• جب ریپو PaymentAttempt استعمال کرتا ہے تو AI لین دین جیسی ایک نئی اصطلاح ایجاد کرتا ہے۔.

• یہ وسیع غلطیوں کو پکڑتا ہے اور بنیادی ناکامی کو چھپاتے ہوئے ایک دوستانہ پیغام واپس کرتا ہے۔.

• اس میں دوبارہ استعمال کے قابل دوبارہ کوشش کرنے والے مددگار کو شامل کیا گیا ہے جسے دوسرے ڈویلپر ان جگہوں پر کاپی کر سکتے ہیں جہاں دوبارہ کوششیں غیر محفوظ ہیں۔.

• یہ بہت زیادہ سیاق و سباق کو لاگ کرتا ہے اور غلطی سے حساس کسٹمر یا ادائیگی کا ڈیٹا شامل ہوتا ہے۔.

• یہ ٹیسٹ لکھتا ہے جو ثابت کرتا ہے کہ کوڈ صرف اس وقت کام کرتا ہے جب ہر انحصار بالکل ٹھیک برتاؤ کرے۔.

عملی راستہ

AI کی مدد سے چلنے والے کوڈ کو محفوظ بنانے کا بہترین طریقہ یہ ہے کہ اسے پہلے سنگین حقائق پیش کیے جائیں: اصلی نام، حقیقی ناکامی کے طریقے، اصلی لاگز، حقیقی ٹیسٹ کیسز، اور حقیقی رکاوٹیں۔ AI صاف ستھرا ورژن تیزی سے تیار کر سکتا ہے۔ آپ کا کام ضم ہونے سے پہلے پروڈکشن گرٹ کو شامل کرنا ہے۔.

اکثر پوچھے گئے سوالات

آپ کیسے بتا سکتے ہیں کہ کوڈ AI نے لکھا تھا؟

AI سے مدد یافتہ کوڈ اکثر ٹچ بہت صاف نظر آتا ہے، تقریباً "ٹیکسٹ بک": مستقل فارمیٹنگ، یکساں ڈھانچہ، عام نام دینا (جیسے ڈیٹا، آئٹمز، نتیجہ)، اور یکساں، پالش شدہ غلطی کے پیغامات۔ یہ دستاویزات یا تبصروں کی ایک جھاڑی کے ساتھ بھی پہنچ سکتا ہے جو صرف واضح منطق کو دوبارہ بیان کرتے ہیں۔ بڑا سگنل اسٹائل نہیں ہے - یہ جنگلی تحمل کی غیر موجودگی ہے: ڈومین لینگویج، ریپو کنونشنز، عجیب و غریب رکاوٹیں، اور ایج کیس گلو جو سسٹمز کو روکتا ہے۔

AI سے پیدا ہونے والی غلطی سے نمٹنے میں سب سے بڑے سرخ جھنڈے کیا ہیں؟

وسیع استثنائی کیچز (استثنیٰ کے علاوہ) پر نظر رکھیں، نگل گئی ناکامیاں جو خاموشی سے ڈیفالٹس واپس کر دیتی ہیں، اور مبہم لاگنگ جیسے "ایک خرابی پیش آ گئی۔" یہ نمونے اصلی کیڑے چھپا سکتے ہیں اور ڈیبگنگ کو دکھی بنا سکتے ہیں۔ مضبوط خرابی کو سنبھالنا مخصوص، قابل عمل ہے، اور حساس ڈیٹا کو لاگ میں ڈالے بغیر کافی سیاق و سباق (IDs، ان پٹ، ریاست) رکھتا ہے۔ زیادہ دفاعی اتنا ہی خطرناک ہوسکتا ہے جتنا کم دفاعی۔

AI کوڈ اکثر اوور انجینئرڈ یا زیادہ تجریدی کیوں محسوس ہوتا ہے؟

ایک عام AI رجحان یہ ہے کہ مددگار فنکشنز، پرتیں، اور ڈائرکٹریز شامل کرکے "پیشہ ور نظر آنا" جو فرضی مستقبل کی توقع کرتی ہے۔ آپ کو عام مددگار جیسے process_data() یا handle_request() اور صاف ماڈیول باؤنڈریز نظر آئیں گے جو آپ کے سسٹم کے سیون سے زیادہ آریھ کے مطابق ہیں۔ ایک عملی حل گھٹاؤ ہے: قیاس آرائیوں کی تہوں کو اس وقت تک تراشیں جب تک کہ آپ کے پاس سب سے چھوٹا درست ورژن نہ ہو جو آپ کے تقاضوں سے میل کھاتا ہو، نہ کہ وہ جو آپ کو بعد میں وراثت میں مل سکتا ہے۔

ایک حقیقی ریپو میں اچھا AI معاون کوڈ کیسا لگتا ہے؟

بہترین AI معاون کوڈ اس طرح پڑھتا ہے جیسے آپ کی ٹیم نے اس کا دعوی کیا ہے: یہ آپ کے ڈومین کی اصطلاحات کا استعمال کرتا ہے، آپ کے ڈیٹا کی شکلوں سے میل کھاتا ہے، آپ کے ذخیرہ کے نمونوں کی پیروی کرتا ہے، اور آپ کے فن تعمیر کے ساتھ سیدھ میں آتا ہے۔ یہ آپ کے خطرات کی بھی عکاسی کرتا ہے - خوشگوار راستوں سے آگے - بامعنی ٹیسٹوں اور جان بوجھ کر جائزہ لینے کے ساتھ۔ مقصد "AI کو چھپانا" نہیں ہے، یہ مسودے کو سیاق و سباق میں اینکر کرنا ہے تاکہ یہ پروڈکشن کوڈ کی طرح برتاؤ کرے۔.

کون سے ٹیسٹ "صاف دنیا" کے مفروضوں کو سب سے تیزی سے بے نقاب کرتے ہیں؟

انٹیگریشن ٹیسٹ اور ایج کیس ٹیسٹ جلد ہی مسائل کو ظاہر کرتے ہیں کیونکہ AI آؤٹ پٹ اکثر مثالی ان پٹ اور قابل قیاس انحصار کو فرض کرتا ہے۔ ڈومین فوکسڈ فکسچر استعمال کریں اور اس میں عجیب ان پٹ، گمشدہ فیلڈز، جزوی ناکامیاں، ٹائم آؤٹ، اور کنکرنسی شامل کریں جہاں یہ اہمیت رکھتا ہے۔ اگر کوڈ میں صرف ہیپی پاتھ یونٹ ٹیسٹ ہوتے ہیں، تو یہ درست نظر آسکتا ہے جب کہ کوئی پروڈکشن میں بغیر ٹیسٹ کیے جانے والے بٹن کو مارتا ہے تو ناکام رہتا ہے۔.

AI کے لکھے ہوئے نام "تکنیکی طور پر درست لیکن ثقافتی طور پر غلط" کیوں محسوس ہوتے ہیں؟

AI اکثر محفوظ، عام ناموں کا انتخاب کرتا ہے جو بہت سے پروجیکٹس میں کام کرتے ہیں، لیکن ٹیمیں وقت کے ساتھ ساتھ ایک مخصوص بولی تیار کرتی ہیں۔ اس طرح آپ کا اختتام userId بمقابلہ AccountId، یا ٹرانزیکشن بمقابلہ LedgerEntry، یہاں تک کہ جب منطق ٹھیک ہو۔ نام دینے کا یہ بہاؤ ایک اشارہ ہے کہ کوڈ آپ کے ڈومین اور رکاوٹوں کے "اندر رہتے ہوئے" نہیں لکھا گیا تھا۔

کیا کوڈ کے جائزوں میں AI کوڈ کا پتہ لگانے کی کوشش کرنا قابل ہے؟

عام طور پر تصنیف کے مقابلے معیار کے لیے جائزہ لینا زیادہ نتیجہ خیز ہوتا ہے۔ انسان صاف ستھرا، زیادہ تبصرہ کرنے والا کوڈ بھی لکھ سکتا ہے، اور رہنمائی کرنے پر AI بہترین مسودے تیار کر سکتا ہے۔ جاسوس کھیلنے کے بجائے، ڈیزائن کی عقلیت اور پیداوار میں ممکنہ ناکامی کے نکات پر دبائیں پھر ٹیسٹ، فن تعمیر کی صف بندی، اور غلطی کے نظم و ضبط کے ساتھ توثیق کریں۔ دباؤ کی جانچ وائب ٹیسٹنگ کو دھڑکتی ہے۔.

آپ AI کو کیسے اشارہ کرتے ہیں تاکہ کوڈ زیادہ قابل اعتماد ہو؟

سامنے کی رکاوٹوں کو انجیکشن لگا کر شروع کریں: متوقع ان پٹ/آؤٹ پٹ، ڈیٹا کی شکلیں، کارکردگی کی ضروریات، غلطی کی پالیسی، نام دینے کے کنونشنز، اور اپنے ریپو میں موجودہ پیٹرن۔ صرف حل نہیں بلکہ تجارت سے متعلق پوچھیں - "یہ کہاں ٹوٹے گا؟" اور "آپ کس چیز سے بچیں گے اور کیوں؟" آخر میں، زبردستی گھٹاؤ: اسے کہو کہ غیر ضروری تجرید کو ہٹا دے اور کسی بھی چیز کو پھیلانے سے پہلے سب سے چھوٹا درست ورژن تیار کرے۔.

حوالہ جات

1. اسٹیک اوور فلو - اسٹیک اوور فلو ڈیولپر سروے 2025 - survey.stackoverflow.co

2. GitHub - GitHub Octoverse (اکتوبر 28، 2025) - github.blog

3. گوگل - گوگل انجینئرنگ پریکٹسز: دی سٹینڈرڈ آف کوڈ ریویو - google.github.io

4. Abseil - گوگل میں سافٹ ویئر انجینئرنگ: یونٹ ٹیسٹنگ - abseil.io

5. Abseil - Google پر سافٹ ویئر انجینئرنگ: کوڈ کا جائزہ - abseil.io

6. Abseil - گوگل میں سافٹ ویئر انجینئرنگ: بڑی جانچ - abseil.io

7. مارٹن فولر - مارٹن فولر: فیچر ٹوگلز - martinfowler.com

8. مارٹن فولر - عملی ٹیسٹ پیرامڈ - martinfowler.com

9. OWASP - OWASP Threat Modeling Cheat Sheet - cheatsheetseries.owasp.org

10. OWASP - OWASP لاگنگ چیٹ شیٹ - cheatsheetseries.owasp.org

11. OWASP - OWASP ٹاپ 10 2025: سیکیورٹی لاگنگ اور الرٹنگ کی ناکامیاں - owasp.org

12. ESLint - ESLint Docs - eslint.org

13. GitHub Docs - GitHub CodeQL کوڈ اسکیننگ - docs.github.com

14. TypeScript - TypeScript: جامد قسم کی جانچ پڑتال - www.typescriptlang.org

15. mypy - mypy دستاویزات - mypy.readthedocs.io

16. Python - Python docs: The Python Profilers - docs.python.org

17. pytest - pytest fixtures docs - docs.pytest.org

18. Pylint - Pylint docs: bare-except - pylint.pycqa.org

19. Amazon Web Services - AWS Prescriptive Guidance: بیک آف کے ساتھ دوبارہ کوشش کریں - docs.aws.amazon.com

20. Amazon Web Services - AWS Builders' Library: jitter کے ساتھ ٹائم آؤٹ، دوبارہ کوششیں اور بیک آف - aws.amazon.com

آفیشل AI اسسٹنٹ اسٹور پر تازہ ترین AI تلاش کریں۔

ہمارے بارے میں