តើ​កូដ AI មើលទៅដូចអ្វី?

ចម្លើយខ្លី៖ កូដដែលមានជំនួយពី AI ជារឿយៗត្រូវបានអានថាមានសណ្តាប់ធ្នាប់មិនធម្មតា និងជា "សៀវភៅសិក្សា"៖ ការធ្វើទ្រង់ទ្រាយដែលស៊ីសង្វាក់គ្នា ការដាក់ឈ្មោះទូទៅ សារកំហុសគួរសម និងមតិយោបល់ដែលបញ្ជាក់ឡើងវិញនូវអ្វីដែលជាក់ស្តែង។ ប្រសិនបើវាបាត់ភាពរឹងមាំក្នុងពិភពពិត - ភាសាដែន ការរឹតបន្តឹងឆ្គង ករណីគែម - វាជាសញ្ញាព្រមាន។ នៅពេលដែលអ្នកភ្ជាប់វានៅក្នុងលំនាំ repo របស់អ្នក ហើយសាកល្បងវាប្រឆាំងនឹងហានិភ័យផលិតកម្ម វាក្លាយជាគួរឱ្យទុកចិត្ត។

ចំណុចសំខាន់ៗ៖

ការត្រួតពិនិត្យបរិបទ ៖ ប្រសិនបើពាក្យដូមេន រូបរាងទិន្នន័យ និងការរឹតបន្តឹងមិនត្រូវបានឆ្លុះបញ្ចាំងទេ សូមចាត់ទុកវាថាមានហានិភ័យ។

ការ​ប៉ូលា​ខ្លាំងពេក ៖ ឯកសារ​ច្រើន​ហួសហេតុ រចនាសម្ព័ន្ធ​ឯកសណ្ឋាន និង​ឈ្មោះ​សាមញ្ញៗ​អាច​ជា​សញ្ញា​នៃ​ការ​បង្កើត​ទូទៅ។

វិន័យកំហុស ៖ ប្រយ័ត្នចំពោះការចាប់បានករណីលើកលែងទូលំទូលាយ ការបរាជ័យដែលបានលេបត្របាក់ និងការកត់ត្រាមិនច្បាស់លាស់។

ការ​កាត់​បន្ថយ​អរូបី ៖ លុប​ជំនួយ និង​ស្រទាប់​ដែល​អាច​ស្មាន​ទុក​បាន រហូត​ដល់​មាន​តែ​កំណែ​ត្រឹមត្រូវ​តូច​បំផុត​ប៉ុណ្ណោះ​ដែល​នៅ​សល់។

ការធ្វើតេស្តភាពពិត ៖ បន្ថែមការធ្វើតេស្តសមាហរណកម្ម និងការធ្វើតេស្តគែមករណី; ពួកវាលាតត្រដាងការសន្មត់ "ពិភពលោកស្អាត" យ៉ាងឆាប់រហ័ស។

ការសរសេរកូដដែលមានជំនួយពី AI មាននៅគ្រប់ទីកន្លែងឥឡូវនេះ ( ការស្ទង់មតិអ្នកអភិវឌ្ឍន៍ Stack Overflow ឆ្នាំ ២០២៥ ; GitHub Octoverse (ថ្ងៃទី ២៨ ខែតុលា ឆ្នាំ ២០២៥) )។ ពេលខ្លះវាអស្ចារ្យណាស់ ហើយជួយសន្សំសំចៃពេលវេលារបស់អ្នកមួយរសៀល។ ពេលខ្លះទៀតវា… ប៉ូលាគួរឱ្យសង្ស័យ ទូទៅបន្តិច ឬវា "ដំណើរការ" រហូតដល់នរណាម្នាក់ចុចប៊ូតុងមួយដែលគ្មាននរណាម្នាក់សាកល្បង 🙃។ នោះនាំឱ្យមានសំណួរដែលមនុស្សបន្តលើកឡើងនៅក្នុងការពិនិត្យកូដ ការសម្ភាសន៍ និងការផ្ញើសារឯកជន៖

កូដ AI មានទំនោរមើលទៅដូចអ្វី

ចម្លើយ​ត្រង់ៗ​គឺ៖ វា​អាច​មើល​ទៅ​ដូច​អ្វី​ក៏​បាន។ ប៉ុន្តែ​មាន​លំនាំ - សញ្ញា​ទន់ៗ មិនមែន​ភស្តុតាង​ក្នុង​តុលាការ​ទេ។ សូម​គិត​ថា​វា​ដូច​ជា​ការ​ទាយ​ថា​តើ​នំ​មួយ​មក​ពី​ហាង​នំប៉័ង ឬ​ផ្ទះបាយ​របស់​នរណា​ម្នាក់។ ការ​លាប​ក្រែម​អាច​នឹង​ល្អ​ឥត​ខ្ចោះ​ពេក ប៉ុន្តែ​អ្នក​ដុតនំ​នៅ​ផ្ទះ​ខ្លះ​ក៏​ល្អ​ខ្លាំង​ណាស់​ដែរ។ អារម្មណ៍​ដូច​គ្នា។.

ខាងក្រោមនេះគឺជាការណែនាំជាក់ស្តែងសម្រាប់ការសម្គាល់ស្នាមម្រាមដៃ AI ទូទៅ ការយល់ដឹងពីមូលហេតុដែលវាកើតឡើង និង - សំខាន់ - របៀបប្រែក្លាយកូដដែលបង្កើតដោយ AI ទៅជាកូដដែលអ្នកទុកចិត្តក្នុងផលិតកម្ម ✅។.

🔗 តើ AI ព្យាករណ៍និន្នាការយ៉ាងដូចម្តេច?
ពន្យល់ពីការរៀនគំរូ សញ្ញា និងការព្យាករណ៍ក្នុងការប្រើប្រាស់ជាក់ស្តែង។.

🔗 តើ AI រកឃើញភាពមិនប្រក្រតីយ៉ាងដូចម្តេច?
គ្របដណ្តប់លើវិធីសាស្ត្ររកឃើញចំណុចខ្វះខាត និងកម្មវិធីអាជីវកម្មទូទៅ។.

🔗 តើ AI ប្រើទឹកប៉ុន្មាន?
វិភាគផលប៉ះពាល់នៃការប្រើប្រាស់ទឹក និងការបណ្តុះបណ្តាលនៅមជ្ឈមណ្ឌលទិន្នន័យ។.

🔗 តើ AI លំអៀងគឺជាអ្វី?
កំណត់ប្រភពនៃការលំអៀង គ្រោះថ្នាក់ និងវិធីជាក់ស្តែងដើម្បីកាត់បន្ថយវា។.

---

១) ទីមួយ តើមនុស្សចង់មានន័យយ៉ាងណានៅពេលពួកគេនិយាយថា "កូដ AI" 🤔

នៅពេលដែលមនុស្សភាគច្រើននិយាយថា "កូដ AI" ពួកគេច្រើនតែមានន័យថាមួយក្នុងចំណោមទាំងនេះ៖

• កូដ​ដែល​ព្រាង​ដោយ​ជំនួយការ AI ពី​ប្រអប់​បញ្ចូល​ទិន្នន័យ (មុខងារ ការកែកំហុស ការ​កែសម្រួល)។

• កូដត្រូវបានបំពេញដោយ autocomplete យ៉ាងច្រើន ដែលអ្នកអភិវឌ្ឍន៍បានជំរុញ ប៉ុន្តែមិនបាននិពន្ធពេញលេញទេ។

• កូដ​ដែល​ត្រូវ​បាន​សរសេរ​ឡើង​វិញ​ដោយ AI សម្រាប់​ពាក្យ “cleanup”, “performance” ឬ “style”។

• កូដដែលមើលទៅដូចជាវាមកពី AI ទោះបីជាវាមិនបានមកពី AI ក៏ដោយ (រឿងនេះកើតឡើងច្រើនជាងអ្វីដែលមនុស្សទទួលស្គាល់)។

ហើយនេះជាចំណុចសំខាន់មួយ៖ បញ្ញាសិប្បនិម្មិត (AI) មិនមានរចនាប័ទ្មតែមួយទេ ។ វាមាន ទំនោរ ។ ទំនោរជាច្រើនទាំងនោះកើតចេញពីការព្យាយាមធ្វើឱ្យត្រឹមត្រូវជាទូទៅ អាចអានបានយ៉ាងទូលំទូលាយ និងមានសុវត្ថិភាពយ៉ាងទូលំទូលាយ... ដែលហួសចិត្តអាចធ្វើឱ្យលទ្ធផលមានអារម្មណ៍ដូចគ្នាបន្តិច។

---

២) អ្វីដែលកូដ AI មើលទៅដូច៖ រូបភាពរហ័សប្រាប់ 👀

ចូរយើងឆ្លើយចំណងជើងឲ្យច្បាស់៖ តើលេខកូដ AI មើលទៅដូចអ្វី។

ជារឿយៗវាមើលទៅដូចជាលេខកូដដែល៖

• សៀវភៅសិក្សាមានរបៀបរៀបរយខ្លាំង - ការចូលបន្ទាត់ដែលស៊ីសង្វាក់គ្នា ការធ្វើទ្រង់ទ្រាយដែលស៊ីសង្វាក់គ្នា និងអ្វីៗគ្រប់យ៉ាងដែលស៊ីសង្វាក់គ្នា។

• និយាយ​ច្រើន​ដោយ​អព្យាក្រឹត - មាន​មតិ​យោបល់​ «មានប្រយោជន៍» ច្រើន​ដែល​មិន​ជួយ​អ្វី​ច្រើន​ទេ។

• ធ្វើឱ្យទូទៅពេក - បង្កើតឡើងដើម្បីដោះស្រាយសេណារីយ៉ូស្រមើស្រមៃចំនួនដប់ជំនួសឱ្យសេណារីយ៉ូពិតពីរ។

• មានរចនាសម្ព័ន្ធហួសហេតុបន្តិច - មុខងារជំនួយបន្ថែម ស្រទាប់បន្ថែម ភាពអរូបីបន្ថែម... ដូចជាការវេចខ្ចប់សម្រាប់ដំណើរកម្សាន្តចុងសប្តាហ៍ជាមួយវ៉ាលីបី 🧳។

• នឹក​កាវ​បិទ​គែម​ប្រអប់​ដែល​ឆ្គងៗ ​ដែល​ប្រព័ន្ធ​ពិត​ប្រមូល​ផ្តុំ (ទង់​លក្ខណៈ​ពិសេស ភាព​ចម្លែកៗ​របស់​វា​ចាស់ៗ ការ​រឹតត្បិត​មិន​ងាយស្រួល) ( Martin Fowler: Feature Toggles )។

ប៉ុន្តែក៏ - ហើយខ្ញុំនឹងបន្តនិយាយរឿងនេះម្តងទៀតព្រោះវាសំខាន់ - អ្នកអភិវឌ្ឍន៍មនុស្សពិតជាអាចសរសេរដូចនេះបានដែរ។ ក្រុមខ្លះអនុវត្តវា។ មនុស្សខ្លះគ្រាន់តែជាមនុស្សចម្លែកៗប៉ុណ្ណោះ។ ខ្ញុំនិយាយបែបនោះដោយក្តីស្រឡាញ់ 😅។.

ដូច្នេះជំនួសឱ្យការ «រកឃើញ AI» វាជាការប្រសើរក្នុងការសួរថា តើកូដនេះមានឥរិយាបទដូចជាវាត្រូវបានសរសេរជាមួយនឹងបរិបទពិតប្រាកដដែរឬទេ? បរិបទគឺជាកន្លែងដែល AI ជារឿយៗរអិល។

---

៣) ផ្លាកសញ្ញា "ជ្រលងភ្នំចម្លែក" - នៅពេលដែលវា ពេក 😬

កូដដែលបង្កើតដោយ AI ជារឿយៗមាន "ភាពរលោង" ជាក់លាក់មួយ។ មិនមែនជានិច្ចទេ ប៉ុន្តែជាញឹកញាប់។.

សញ្ញាទូទៅ "ស្អាតពេក"

• អនុគមន៍នីមួយៗមាន docstring ទោះបីជាវាច្បាស់ក៏ដោយ។

• អថេរទាំងអស់មានឈ្មោះសមរម្យ ដូចជា result , data , items , payload , responseData ។

• សារកំហុស ដែលស្តាប់ទៅដូចជាសៀវភៅណែនាំ៖ "មានកំហុសកើតឡើងពេលកំពុងដំណើរការសំណើ"។

• លំនាំ​ឯកសណ្ឋាន​ទូទាំង​ម៉ូឌុល​ដែល​មិន​ទាក់ទង​គ្នា ដូច​អ្វីៗ​ទាំងអស់​ត្រូវ​បាន​សរសេរ​ដោយ​បណ្ណារក្ស​ដ៏​ប្រុងប្រយ័ត្ន​ដូចគ្នា។

ការផ្តល់ជូនដ៏ស្រទន់

កូដ AI អាចមានអារម្មណ៍ថាវាត្រូវបានរចនាឡើងសម្រាប់ការបង្រៀន មិនមែនសម្រាប់ផលិតផលទេ។ វាដូចជា… ស្លៀកឈុតដើម្បីលាបពណ៌របង។ សកម្មភាពត្រឹមត្រូវណាស់ ប៉ុន្តែខុសបន្តិចបន្តួចសម្រាប់សម្លៀកបំពាក់។.

---

៤) តើ​អ្វី​ទៅ​ដែល​ធ្វើ​ឲ្យ​កូដ AI មាន​កំណែ​ល្អ? ✅

ចូរយើងប្តូរវាទៅ។ ដោយសារតែគោលដៅមិនមែនជា "ចាប់ AI" ទេ វាគឺជា "គុណភាពកប៉ាល់"។

កំណែ ល្អ នៃកូដដែលមានជំនួយពី AI គឺ៖

• បោះយុថ្កានៅក្នុងដែនពិតរបស់អ្នក (ការដាក់ឈ្មោះរបស់អ្នក រូបរាងទិន្នន័យរបស់អ្នក ការរឹតបន្តឹងរបស់អ្នក)។

• តម្រឹមជាមួយស្ថាបត្យកម្មរបស់អ្នក (លំនាំត្រូវគ្នានឹង repo មិនមែនជាគំរូទូទៅទេ)។

• បានសាកល្បងប្រឆាំងនឹងហានិភ័យរបស់អ្នក (មិនមែនគ្រាន់តែការធ្វើតេស្តឯកតាផ្លូវរីករាយទេ) ( វិស្វកម្មកម្មវិធីនៅ Google៖ ការធ្វើតេស្តឯកតា ; ពីរ៉ាមីតតេស្តជាក់ស្តែង )។

• បានពិនិត្យឡើងវិញដោយមានចេតនា (មាននរណាម្នាក់បានសួរថា "ហេតុអ្វីបានជាធ្វើបែបនេះ?" មិនត្រឹមតែ "ថាតើវាចងក្រងឬអត់") ( ការអនុវត្តវិស្វកម្ម Google៖ ស្តង់ដារនៃការពិនិត្យឡើងវិញកូដ )។

• កាត់បន្ថយ ទៅតាមអ្វីដែលអ្នកត្រូវការ (មិនសូវមានការស្រមើស្រមៃអំពីអនាគត)។

ម្យ៉ាង​ទៀត កូដ AI ដ៏អស្ចារ្យមើលទៅដូចជា… ក្រុមរបស់អ្នកបានសរសេរវា។ ឬយ៉ាងហោចណាស់ ក្រុមរបស់អ្នកបានទទួលយកវាឱ្យបានត្រឹមត្រូវ។ ដូចជាឆ្កែជួយសង្គ្រោះដែលឥឡូវនេះដឹងថាសាឡុងនៅឯណា 🐶។.

---

៥) បណ្ណាល័យគំរូ៖ ស្នាមម្រាមដៃ AI បុរាណ (និងមូលហេតុដែលវាកើតឡើង) 🧩

ខាងក្រោមនេះជាលំនាំដែលខ្ញុំបានឃើញម្តងហើយម្តងទៀតនៅក្នុងមូលដ្ឋានកូដដែលមានជំនួយពី AI - រួមទាំងលំនាំដែលខ្ញុំបានសម្អាតដោយផ្ទាល់ផងដែរ។ លំនាំទាំងនេះខ្លះល្អ។ លំនាំខ្លះមានគ្រោះថ្នាក់។ ភាគច្រើនគ្រាន់តែជា… សញ្ញាប៉ុណ្ណោះ។.

ក) ការត្រួតពិនិត្យភាពគ្មានប្រសិទ្ធភាពហួសហេតុនៅគ្រប់ទីកន្លែង

អ្នកនឹងឃើញស្រទាប់នៃ៖

• ប្រសិនបើ x គ្មាន៖ ត្រឡប់...

• សាកល្បង/លើកលែង ករណីលើកលែង

• លំនាំដើមបម្រុងច្រើន

មូលហេតុ៖ បញ្ញាសិប្បនិម្មិត (AI) ព្យាយាមជៀសវាងកំហុសពេលដំណើរការជាទូទៅ។
ហានិភ័យ៖ វាអាចលាក់បាំងការបរាជ័យពិតប្រាកដ និងធ្វើឱ្យការបំបាត់កំហុសកាន់តែអាក្រក់។

ខ) មុខងារជំនួយទូទៅដែលមិនទទួលបានអត្ថិភាពរបស់វា

ដូចជា៖

• ទិន្នន័យដំណើរការ()

• សំណើ​ដោះស្រាយ()

• validate_input()

មូលហេតុ៖ ស្នាដៃអរូបីមានអារម្មណ៍ថា "វិជ្ជាជីវៈ"។
ហានិភ័យ៖ អ្នកបញ្ចប់ដោយមុខងារដែលធ្វើអ្វីៗគ្រប់យ៉ាង ហើយមិនពន្យល់អ្វីទាំងអស់។

គ) មតិយោបល់ដែលបញ្ជាក់ឡើងវិញនូវលេខកូដ

ឧទាហរណ៍ថាមពល៖

• "បង្កើន i ដោយ 1"

• «ឆ្លើយតបមកវិញ»

មូលហេតុ៖ បញ្ញាសិប្បនិម្មិត (AI) ត្រូវបានបណ្តុះបណ្តាលឱ្យពន្យល់។
ហានិភ័យ៖ មតិយោបល់រលួយលឿន និងបង្កើតសំឡេងរំខាន។

ឃ) ជម្រៅនៃព័ត៌មានលម្អិតមិនស៊ីសង្វាក់គ្នា

ផ្នែកមួយមានលម្អិតខ្លាំង ចំណែកផ្នែកមួយទៀតមានអាថ៌កំបាំងមិនច្បាស់លាស់។.

មូលហេតុ៖ ការរសាត់បាត់ការផ្តោតអារម្មណ៍ភ្លាមៗ... ឬបរិបទមិនពេញលេញ។
ហានិភ័យ៖ ចំណុចខ្សោយលាក់ខ្លួននៅក្នុងតំបន់មិនច្បាស់លាស់។

ង) រចនាសម្ព័ន្ធស៊ីមេទ្រីគួរឱ្យសង្ស័យ

អ្វីៗទាំងអស់ដើរតាមគ្រោងឆ្អឹងដូចគ្នា សូម្បីតែពេលដែលតក្កវិជ្ជាអាជីវកម្មមិនគួរធ្វើតាមក៏ដោយ។.

មូលហេតុ៖ បញ្ញាសិប្បនិម្មិត (AI) ចូលចិត្តធ្វើរូបរាងដែលបានបញ្ជាក់រួចជាស្រេចម្តងទៀត។
ហានិភ័យ៖ តម្រូវការមិនស៊ីមេទ្រីទេ - ពួកវាមានរាងដុំៗ ដូចជាគ្រឿងទេសដែលវេចខ្ចប់មិនបានល្អ 🍅📦។

---

៦) តារាងប្រៀបធៀប - វិធីដើម្បីវាយតម្លៃថាតើកូដ AI មានទំនោរមើលទៅដូចអ្វី 🧪

ខាងក្រោមនេះជាការប្រៀបធៀបឧបករណ៍ជាក់ស្តែង។ មិនមែន "ឧបករណ៍ចាប់សញ្ញា AI" ទេ ដូចជា ការត្រួតពិនិត្យការពិតនៃកូដ ។ ពីព្រោះវិធីល្អបំផុតដើម្បីកំណត់អត្តសញ្ញាណកូដដែលគួរឱ្យសង្ស័យគឺត្រូវសាកល្បងវា ពិនិត្យវា និងសង្កេតវាក្រោមសម្ពាធ។

ឧបករណ៍ / វិធីសាស្រ្ត	ល្អបំផុតសម្រាប់ (ទស្សនិកជន)	តម្លៃ	ហេតុអ្វីបានជាវាដំណើរការ (និងចំណុចតូចមួយ)
បញ្ជីត្រួតពិនិត្យការពិនិត្យលេខកូដ 📝	ក្រុម, អ្នកដឹកនាំ, មនុស្សចាស់	ឥតគិតថ្លៃ	បង្ខំ​ឲ្យ​មាន​សំណួរ “ហេតុអ្វី”; ចាប់​យក​លំនាំ​ទូទៅ… ពេលខ្លះ​មាន​អារម្មណ៍​ថា​រើសអើង​បន្តិច ( ការអនុវត្ត​វិស្វកម្ម Google៖ ការពិនិត្យ​កូដ )
ការធ្វើតេស្តឯកតា + សមាហរណកម្ម ✅	លក្ខណៈពិសេសនៃការដឹកជញ្ជូនរបស់មនុស្សគ្រប់គ្នា	សេរី	បង្ហាញពីករណីគែមដែលបាត់; កូដ AI ជារឿយៗខ្វះគ្រឿងបរិក្ខារក្នុងផលិតកម្ម ( វិស្វកម្មកម្មវិធីនៅ Google: ការធ្វើតេស្តឯកតា ; ពីរ៉ាមីតតេស្តជាក់ស្តែង )
ការវិភាគឋិតិវន្ត / ការចងខ្សែ 🔍	ក្រុមដែលមានស្តង់ដារ	ឥតគិតថ្លៃ / បង់ប្រាក់	សម្គាល់ភាពមិនស៊ីសង្វាក់គ្នា; នឹងមិនចាប់កំហុស "គំនិតខុស" ទេ ( ឯកសារ ESLint ; ការស្កេនកូដ GitHub CodeQL )
ការត្រួតពិនិត្យប្រភេទ (កន្លែងដែលអាចអនុវត្តបាន) 🧷	មូលដ្ឋានកូដធំជាង	ឥតគិតថ្លៃ / បង់ប្រាក់	បង្ហាញ​រូបរាង​ទិន្នន័យ​មិន​ច្បាស់លាស់; អាច​រំខាន​បាន ប៉ុន្តែ​វា​មាន​តម្លៃ ( TypeScript: Static Type Checking ; mypy documentation )
ការធ្វើគំរូគំរាមកំហែង / ករណីរំលោភបំពាន 🛡️	ក្រុមដែលមានគំនិតសុវត្ថិភាព	ឥតគិតថ្លៃ	បញ្ញាសិប្បនិម្មិត (AI) អាចមិនអើពើនឹងការប្រើប្រាស់បែបប្រឆាំង។ នេះបង្ខំវាឱ្យចូលទៅក្នុងពន្លឺ ( សន្លឹកបន្លំគំរូការគំរាមកំហែង OWASP )
ការវិភាគទម្រង់ការអនុវត្ត ⏱️	ការងារ​ផ្នែក​ខាងក្រោយ ដែល​ប្រើប្រាស់​ទិន្នន័យ​ច្រើន	ឥតគិតថ្លៃ / បង់ប្រាក់	បញ្ញាសិប្បនិម្មិត (AI) អាចបន្ថែមរង្វិលជុំបន្ថែម ការបម្លែង ការបែងចែក - ការធ្វើទម្រង់មិនកុហកទេ ( ឯកសារ Python៖ The Python Profilers )
ទិន្នន័យសាកល្បងផ្តោតលើដែន 🧾	ផលិតផល + វិស្វកម្ម	ឥតគិតថ្លៃ	“ការធ្វើតេស្តក្លិន” លឿនបំផុត; ទិន្នន័យក្លែងក្លាយបង្កើតទំនុកចិត្តក្លែងក្លាយ ( ឯកសារ pytest fixtures )
ការពិនិត្យឡើងវិញ / ការណែនាំអំពីគូ 👥	ការណែនាំ + ទំនាក់ទំនងសាធារណៈសំខាន់ៗ	ឥតគិតថ្លៃ	សុំឱ្យអ្នកនិពន្ធពន្យល់ពីជម្រើសនានា; កូដដែលស្រដៀងនឹង AI ជារឿយៗខ្វះរឿងរ៉ាវ ( វិស្វកម្មសូហ្វវែរនៅ Google: ការពិនិត្យឡើងវិញកូដ )

មែនហើយ ជួរឈរ "តម្លៃ" គឺគួរឱ្យអស់សំណើចបន្តិច - ពីព្រោះផ្នែកដែលថ្លៃជាធម្មតាគឺជាការយកចិត្តទុកដាក់ មិនមែនឧបករណ៍ទេ។ ការយកចិត្តទុកដាក់ធ្វើឱ្យខាតបង់... អ្វីៗទាំងអស់ 😵💫។.

---

៧) តម្រុយរចនាសម្ព័ន្ធនៅក្នុងកូដដែលមានជំនួយពី AI 🧱

ប្រសិនបើអ្នកចង់បានចម្លើយកាន់តែស៊ីជម្រៅអំពីអ្វីដែលកូដ AI មានទំនោរមើលទៅដូច សូមពង្រីកចេញ ហើយមើលរចនាសម្ព័ន្ធ។.

១) ការដាក់ឈ្មោះដែលត្រឹមត្រូវតាមបច្ចេកទេស ប៉ុន្តែខុសខាងវប្បធម៌

បញ្ញាសិប្បនិម្មិត (AI) ច្រើនតែជ្រើសរើសឈ្មោះដែល "មានសុវត្ថិភាព" នៅទូទាំងគម្រោងជាច្រើន។ ប៉ុន្តែក្រុមនានាបង្កើតភាសាផ្ទាល់ខ្លួនរបស់ពួកគេ៖

• អ្នកហៅវា ថា AccountId ហើយ AI ហៅវា ថា userId ។

• អ្នកហៅវាថា LedgerEntry ហើយ AI ហៅវាថា transaction ។

• អ្នកហៅវាថា FeatureGate វាហៅវាថា configFlag ។

គ្មានអ្វីមួយក្នុងចំណោមទាំងនេះ "អាក្រក់" ទេ ប៉ុន្តែវាជាតម្រុយមួយដែលអ្នកនិពន្ធមិនបានរស់នៅក្នុងដែនរបស់អ្នកយូរទេ។.

២) ការធ្វើម្តងទៀតដោយមិនប្រើឡើងវិញ ឬប្រើឡើងវិញដោយគ្មានហេតុផល

ពេលខ្លះ AI៖

• ធ្វើតក្កវិជ្ជាស្រដៀងគ្នាម្តងទៀតនៅកន្លែងច្រើន ពីព្រោះវា "មិនចាំ" បរិបទ repo ទាំងមូលក្នុងពេលតែមួយ ឬ

• បង្ខំឱ្យប្រើប្រាស់ឡើងវិញតាមរយៈអរូបីដែលសន្សំសំចៃបន្ទាត់បី ប៉ុន្តែត្រូវចំណាយអស់បីម៉ោងក្រោយមក។.

នោះហើយជាការដោះដូរ៖ វាយអក្សរតិចឥឡូវនេះ គិតច្រើននៅពេលក្រោយ។ ហើយខ្ញុំមិនប្រាកដថាវាជាការដោះដូរល្អជានិច្ចនោះទេ… វាអាស្រ័យលើសប្តាហ៍ 😮💨។.

៣) ម៉ូឌុល "ល្អឥតខ្ចោះ" ដែលមិនអើពើនឹងព្រំដែនពិតប្រាកដ

អ្នកនឹងឃើញកូដត្រូវបានបែងចែកជាម៉ូឌុលស្អាត៖

• ឧបករណ៍ផ្ទៀងផ្ទាត់/

• សេវាកម្ម/

• អ្នកដោះស្រាយ/

• ប្រយោជន៍/

ប៉ុន្តែព្រំដែនអាចមិនត្រូវគ្នានឹងស្នាមប្រេះនៃប្រព័ន្ធរបស់អ្នក។ មនុស្សច្រើនតែឆ្លុះបញ្ចាំងពីចំណុចឈឺចាប់នៃស្ថាបត្យកម្ម។ បញ្ញាសិប្បនិម្មិត (AI) ច្រើនតែឆ្លុះបញ្ចាំងដ្យាក្រាមដ៏ស្អាតមួយ។.

---

៨) ការដោះស្រាយកំហុស - កន្លែងដែលលេខកូដ AI ទទួលបាន… រអិល 🧼

ការដោះស្រាយកំហុសគឺជាការចង្អុលបង្ហាញដ៏ធំបំផុតមួយ ពីព្រោះវាតម្រូវឱ្យ មានការវិនិច្ឆ័យ មិនមែនគ្រាន់តែភាពត្រឹមត្រូវនោះទេ។

លំនាំដែលត្រូវមើល

• ការចាប់ករណីលើកលែងទូលំទូលាយ ជាមួយនឹងការកត់ត្រាមិនច្បាស់លាស់ ( ឯកសារ Pylint៖ bare-except )

• ការ​លេប​កំហុស និង​ការ​ត្រឡប់​លំនាំដើម

• ការ​បង្ហាញ​ពាក្យ “ជោគជ័យ៖ មិនពិត” ជំនួស​ឲ្យ​ការ​លើក​ឡើង​ពី​ការ​បរាជ័យ​ដែល​មាន​ន័យ

• ព្យាយាម​ឡើងវិញ​នូវ​រង្វិលជុំ ​ដោយ​គ្មាន​ការ​ថយក្រោយ ឬ​គ្មាន​ដែនកំណត់ (ឬ​ដែនកំណត់​ដែល​ត្រូវ​បាន​ជ្រើសរើស​យ៉ាង​ចម្លែក​ដូចជា 3 ព្រោះ 3 មានអារម្មណ៍​ល្អ) ( ការណែនាំ​ណែនាំ AWS៖ ព្យាយាម​ឡើងវិញ​ជាមួយ​ការ​ថយក្រោយ ; បណ្ណាល័យ AWS Builders'៖ ការ​អស់ពេល ការ​ព្យាយាម​ឡើងវិញ និង​ការ​ថយក្រោយ​ជាមួយ​ការ​ញ័រ )

មើលទៅល្អយ៉ាងណា

• ការបរាជ័យមាន លក្ខណៈជាក់លាក់

• កំហុសអាច អនុវត្តបាន

• ការកត់ត្រារួមមាន បរិបទ (លេខសម្គាល់ ធាតុចូល ស្ថានភាពពាក់ព័ន្ធ)

• ទិន្នន័យរសើប មិនត្រូវបានចាក់ចូលទៅក្នុងកំណត់ហេតុទេ (ពេលខ្លះ AI ភ្លេចរឿងនេះ 😬) ( សន្លឹកបន្លំកំណត់ហេតុ OWASP ; OWASP Top 10 2025: ការបរាជ័យក្នុងការកត់ត្រាសុវត្ថិភាព និងការជូនដំណឹង )

ចរិតលក្ខណៈ​មួយ​របស់​មនុស្ស​គឺ​ការ​សរសេរ​សារ​កំហុស​ដែល​រំខាន​បន្តិច។ មិន​តែងតែ​ទេ ប៉ុន្តែ​អ្នក​ដឹង​វា​នៅ​ពេល​អ្នក​ឃើញ​វា។ សារ​កំហុស AI ច្រើន​តែ​ស្ងប់ស្ងាត់​ដូច​កម្មវិធី​ធ្វើ​សមាធិ។.

---

៩) ករណីគែម និងការពិតនៃផលិតផល - «ភាពរឹងមាំដែលបាត់» 🧠🪤

ប្រព័ន្ធ​ពិត​ប្រាកដ​មិន​សូវ​ស្អាត។ លទ្ធផល​នៃ​ AI ច្រើន​តែ​ខ្វះ​លក្ខណៈ​បែប​នោះ។.

ឧទាហរណ៍នៃ "ភាពក្លាហាន" ដែលក្រុមមាន៖

• ទង់សម្គាល់មុខងារ និងការដាក់ឱ្យប្រើប្រាស់ដោយផ្នែក ( Martin Fowler: បិទ/បើកមុខងារ )

• ការ hack ភាពឆបគ្នាថយក្រោយ

• ការអស់ពេលរបស់ភាគីទីបីចម្លែក

• ទិន្នន័យចាស់ដែលបំពានលើគ្រោងការណ៍របស់អ្នក

• បញ្ហា​នៃ​ការ​ដាក់​ស្រោម​មិន​ស៊ីសង្វាក់​គ្នា ការ​អ៊ិនកូដ ឬ​បញ្ហា​មូលដ្ឋាន

• ច្បាប់អាជីវកម្មដែលមានអារម្មណ៍ថាខុសច្បាប់ព្រោះវាជាច្បាប់

បញ្ញាសិប្បនិម្មិត (AI) អាចដោះស្រាយករណីគែមៗបាន ប្រសិនបើអ្នកប្រាប់វា ប៉ុន្តែប្រសិនបើអ្នកមិនបញ្ចូលវាឱ្យច្បាស់លាស់ទេ ជារឿយៗវាបង្កើតដំណោះស្រាយ "ពិភពលោកស្អាត"។ ពិភពលោកស្អាតគឺគួរឱ្យស្រឡាញ់។ ពិភពលោកស្អាតក៏មិនមានដែរ។.

ពាក្យប្រៀបធៀបដែលតានតឹងបន្តិចកំពុងចូលមក៖ កូដ AI គឺដូចជាអេប៉ុងថ្មីស្រឡាង - វាមិនទាន់ស្រូបយកគ្រោះមហន្តរាយផ្ទះបាយនៅឡើយទេ។ នោះហើយជាវា ខ្ញុំបាននិយាយវាហើយ 🧽។ មិនមែនជាការងារដ៏ល្អបំផុតរបស់ខ្ញុំទេ ប៉ុន្តែវាជាការពិត។.

---

១០) របៀបធ្វើឱ្យកូដដែលមានជំនួយពី AI មានអារម្មណ៍ដូចមនុស្ស - ហើយសំខាន់ជាងនេះទៅទៀត ត្រូវមានភាពអាចទុកចិត្តបាន 🛠️✨

ប្រសិនបើអ្នកកំពុងប្រើ AI ដើម្បីព្រាងកូដ (ហើយមនុស្សជាច្រើនកំពុងប្រើ) អ្នកអាចធ្វើឱ្យលទ្ធផលកាន់តែប្រសើរឡើងយ៉ាងខ្លាំងជាមួយនឹងទម្លាប់មួយចំនួន។.

ក) បញ្ចូលការរឹតបន្តឹងរបស់អ្នកនៅខាងមុខ

ជំនួស​ឲ្យ​ការ​សរសេរ​មុខងារ​ដែល… សូម​សាកល្បង៖

• ធាតុចូល/ទិន្នផលដែលរំពឹងទុក

• តម្រូវការ​ដំណើរការ

• គោលការណ៍​កំហុស (ដំឡើង​ថ្មី, ត្រឡប់​ប្រភេទ​លទ្ធផល, កំណត់ហេតុ + បរាជ័យ?)

• អនុសញ្ញាដាក់ឈ្មោះ

• លំនាំដែលមានស្រាប់នៅក្នុង repo របស់អ្នក

ខ) ស្នើសុំការសម្របសម្រួល មិនមែនគ្រាន់តែដំណោះស្រាយនោះទេ

ជំរុញជាមួយ៖

• «ផ្តល់វិធីសាស្រ្តពីរ ហើយពន្យល់ពីការសម្របសម្រួល»។

• «តើអ្នកនឹងជៀសវាងធ្វើអ្វីនៅទីនេះ ហើយហេតុអ្វី?»

• «តើ​ការ​ឈប់​សម្រាក​នេះ​នឹង​ធ្វើ​ឡើង​នៅ​កន្លែង​ណា?»

បញ្ញាសិប្បនិម្មិត (AI) កាន់តែប្រសើរឡើង នៅពេលដែលអ្នកបង្ខំវាឱ្យគិតក្នុងហានិភ័យ។.

គ) ធ្វើឱ្យវាលុបលេខកូដ

និយាយ​ឲ្យ​ចំ​ទៅ។ សួរ៖

• «លុប​ចោល​រាល់​ការ​អរូបី​ដែល​មិន​ចាំបាច់»។

• «កាត់​វា​ចុះ​មក​ត្រឹម​កំណែ​តូច​បំផុត​ត្រឹមត្រូវ»។

• «តើ​ផ្នែក​ណាខ្លះ​ដែល​ជា​ការ​ស្មាន​ទុក​មុន?»

បញ្ញាសិប្បនិម្មិត (AI) មានទំនោរបន្ថែម។ វិស្វករដ៏អស្ចារ្យមានទំនោរដក។.

ឃ) បន្ថែមការធ្វើតេស្តដែលឆ្លុះបញ្ចាំងពីការពិត

មិនត្រឹមតែ៖

• "ត្រឡប់ទិន្នផលដែលរំពឹងទុក"

ប៉ុន្តែ៖

• ការបញ្ចូលចម្លែក

• វាលដែលបាត់

• ការកើតឡើងក្នុងពេលដំណាលគ្នា

• ការបរាជ័យដោយផ្នែក

• ឥរិយាបថកម្រិតសមាហរណកម្ម ( វិស្វកម្មកម្មវិធីនៅ Google៖ ការធ្វើតេស្តធំជាង ; ពីរ៉ាមីតតេស្តជាក់ស្តែង )

បើអ្នកមិនធ្វើអ្វីផ្សេងទេ ចូរធ្វើបែបនេះ។ ការធ្វើតេស្តគឺជាឧបករណ៍ចាប់ការកុហក ហើយពួកគេមិនខ្វល់ថាអ្នកណាជាអ្នកសរសេរកូដនោះទេ 😌។.

---

១១) កំណត់ចំណាំបិទ + សង្ខេបរហ័ស 🎯

ដូច្នេះ អ្វីដែល AI Code មើលទៅដូច ៖ ជារឿយៗវាមើលទៅស្អាត ទូទៅ ពន្យល់ច្រើនពេក ហើយចង់ផ្គាប់ចិត្តពេក។ ចំណុចសំខាន់ជាងនេះមិនមែនជាការធ្វើទ្រង់ទ្រាយ ឬមតិយោបល់ទេ - វាខ្វះបរិបទ៖ ការដាក់ឈ្មោះដូមេន ករណីគែមឆ្គង និងជម្រើសជាក់លាក់នៃស្ថាបត្យកម្មដែលកើតចេញពីការរស់នៅជាមួយប្រព័ន្ធ។

សង្ខេប​រហ័ស

• កូដ AI មិនមែនជារចនាប័ទ្មតែមួយទេ ប៉ុន្តែវាជារឿយៗមាននិន្នាការស្អាតបាត លម្អិត និងទូទៅពេក។.

• សញ្ញាដ៏ល្អបំផុតគឺថាតើកូដឆ្លុះបញ្ចាំងពីឧបសគ្គពិតប្រាកដ និងភាពរឹងមាំនៃផលិតផលរបស់អ្នកឬអត់។.

• កុំ​គិត​ច្រើន​ពេក​លើ​ការ​រក​ឃើញ - ត្រូវ​គិត​ច្រើន​ពេក​លើ​គុណភាព៖ ការ​ធ្វើ​តេស្ត ការ​ពិនិត្យ ភាព​ច្បាស់លាស់ និង​ចេតនា ( ការ​អនុវត្ត​វិស្វកម្ម​របស់ Google៖ ការ​ពិនិត្យ​កូដ ; វិស្វកម្ម​កម្មវិធី​នៅ Google៖ ការ​ធ្វើ​តេស្ត​ឯកតា )។

• បញ្ញាសិប្បនិម្មិត (AI) គឺល្អសម្រាប់សេចក្តីព្រាងដំបូង។ វាមិនល្អសម្រាប់សេចក្តីព្រាងចុងក្រោយទេ។ នោះហើយជាហ្គេមទាំងមូល។.

ហើយប្រសិនបើនរណាម្នាក់ព្យាយាមធ្វើឱ្យអ្នកអាម៉ាស់មុខចំពោះការប្រើប្រាស់ AI និយាយឱ្យត្រង់ទៅ… កុំអើពើនឹងសំឡេងរំខានទាំងនោះ។ គ្រាន់តែផ្ញើកូដរឹងមាំ។ កូដរឹងមាំគឺជាភាពបត់បែនតែមួយគត់ដែលស្ថិតស្ថេរ 💪🙂។.

---

សំណួរដែលសួរញឹកញាប់

តើអ្នកអាចដឹងដោយរបៀបណាថាកូដត្រូវបានសរសេរដោយ AI?

កូដដែលមានជំនួយពី AI ជារឿយៗមើលទៅស្អាតពេក ស្ទើរតែដូចជា "សៀវភៅសិក្សា"៖ ការធ្វើទ្រង់ទ្រាយស្របគ្នា រចនាសម្ព័ន្ធឯកសណ្ឋាន ការដាក់ឈ្មោះទូទៅ (ដូចជា ទិន្នន័យ ធាតុ លទ្ធផល ) ។ វាក៏អាចមកដល់ជាមួយនឹង docstrings ឬមតិយោបល់ជាច្រើនដែលគ្រាន់តែបញ្ជាក់ឡើងវិញនូវតក្កវិជ្ជាជាក់ស្តែង។ សញ្ញាធំជាងនេះមិនមែនជារចនាប័ទ្មទេ - វាគឺជាអវត្តមាននៃភាពរឹងមាំនៅក្នុងធម្មជាតិ៖ ភាសាដែន អនុសញ្ញា repo ការរឹតបន្តឹងឆ្គង និងកាវបិទគែមដែលធ្វើឱ្យប្រព័ន្ធកាន់។

តើ​អ្វី​ទៅ​ជា​សញ្ញា​គ្រោះថ្នាក់​ធំៗ​បំផុត​ក្នុង​ការ​ដោះស្រាយ​កំហុស​ដែល​បង្កើត​ឡើង​ដោយ AI?

សូមប្រយ័ត្នចំពោះការចាប់បានករណីលើកលែងទូលំទូលាយ ( លើកលែងតែ Exception ) ការបរាជ័យដែលលេបត្របាក់ដែលត្រឡប់លំនាំដើមដោយស្ងាត់ៗ និងការកត់ត្រាមិនច្បាស់លាស់ដូចជា "មានកំហុសកើតឡើង"។ គំរូទាំងនេះអាចលាក់កំហុសពិតប្រាកដ និងធ្វើឱ្យការបំបាត់កំហុសមានការលំបាក។ ការដោះស្រាយកំហុសដ៏រឹងមាំគឺជាក់លាក់ អាចអនុវត្តបាន និងមានបរិបទគ្រប់គ្រាន់ (លេខសម្គាល់ ការបញ្ចូល ស្ថានភាព) ដោយមិនចាំបាច់ចាក់ទិន្នន័យរសើបទៅក្នុងកំណត់ហេតុ។ ការការពារហួសហេតុអាចមានហានិភ័យដូចការការពារមិនគ្រប់គ្រាន់ដែរ។

ហេតុអ្វីបានជាកូដ AI ជារឿយៗមានអារម្មណ៍ថាត្រូវបានរចនាហួសហេតុពេក ឬសង្ខេបពេក?

ទំនោរ​ទូទៅ​មួយ​របស់ AI គឺ​ការ "មើលទៅ​មាន​លក្ខណៈ​វិជ្ជាជីវៈ" ដោយ​បន្ថែម​មុខងារ​ជំនួយ ស្រទាប់ និង​ថត​ដែល​ព្យាករណ៍​ពី​អនាគត​សម្មតិកម្ម។ អ្នក​នឹង​ឃើញ​ជំនួយ​ទូទៅ​ដូចជា process_data() ឬ handle_request() និង​ព្រំដែន​ម៉ូឌុល​ដ៏​ស្អាត​ដែល​សមស្រប​នឹង​ដ្យាក្រាម​ច្រើន​ជាង​ថ្នេរ​របស់​ប្រព័ន្ធ​របស់​អ្នក។ ការជួសជុល​ជាក់ស្តែង​មួយ​គឺ​ការ​ដក៖ កាត់​ស្រទាប់​ស្មាន​រហូត​ដល់​អ្នក​មាន​កំណែ​ត្រឹមត្រូវ​តូច​បំផុត​ដែល​ត្រូវ​នឹង​តម្រូវការ​ដែល​អ្នក​មាន មិនមែន​ស្រទាប់​ដែល​អ្នក​អាច​ទទួល​មរតក​នៅ​ពេល​ក្រោយ​ទេ។

តើកូដដែលមានជំនួយពី AI ល្អមើលទៅដូចអ្វីនៅក្នុង repo ពិតប្រាកដ?

កូដដែលមានជំនួយពី AI ល្អបំផុតអានដូចជាក្រុមរបស់អ្នកអះអាងវា៖ វាប្រើពាក្យដូមេនរបស់អ្នក ផ្គូផ្គងរាងទិន្នន័យរបស់អ្នក ធ្វើតាមគំរូឃ្លាំងរបស់អ្នក និងតម្រឹមជាមួយស្ថាបត្យកម្មរបស់អ្នក។ វាក៏ឆ្លុះបញ្ចាំងពីហានិភ័យរបស់អ្នកផងដែរ - លើសពីផ្លូវរីករាយ - ជាមួយនឹងការធ្វើតេស្តដែលមានអត្ថន័យ និងការពិនិត្យឡើងវិញដោយចេតនា។ គោលដៅមិនមែនដើម្បី "លាក់ AI" ទេ វាគឺដើម្បីបោះយុថ្កាសេចក្តីព្រាងនៅក្នុងបរិបទ ដើម្បីឱ្យវាមានឥរិយាបទដូចជាកូដផលិតកម្ម។.

តើការធ្វើតេស្តអ្វីខ្លះដែលបង្ហាញពីការសន្មត់ "ពិភពលោកស្អាត" លឿនបំផុត?

ការធ្វើតេស្តសមាហរណកម្ម និងការធ្វើតេស្តគែមករណី ច្រើនតែបង្ហាញបញ្ហាយ៉ាងឆាប់រហ័ស ពីព្រោះទិន្នផល AI ជារឿយៗសន្មតថាមានការបញ្ចូលដ៏ល្អ និងការពឹងផ្អែកដែលអាចព្យាករណ៍បាន។ ប្រើឧបករណ៍ដែលផ្តោតលើដែន ហើយរួមបញ្ចូលការបញ្ចូលចម្លែក វាលដែលបាត់ ការបរាជ័យដោយផ្នែក ការអស់ពេល និងការធ្វើដំណាលគ្នានៅកន្លែងដែលវាសំខាន់។ ប្រសិនបើកូដមានតែការធ្វើតេស្តឯកតាផ្លូវរីករាយ វាអាចមើលទៅត្រឹមត្រូវ ខណៈពេលដែលនៅតែបរាជ័យ នៅពេលដែលនរណាម្នាក់ចុចប៊ូតុងមួយដែលមិនទាន់បានសាកល្បងនៅក្នុងផលិតកម្ម។.

ហេតុអ្វីបានជាឈ្មោះដែលសរសេរដោយ AI មានអារម្មណ៍ថា "ត្រឹមត្រូវតាមបច្ចេកទេស ប៉ុន្តែខុសខាងវប្បធម៌"?

ជារឿយៗ AI ជ្រើសរើសឈ្មោះទូទៅដែលមានសុវត្ថិភាព ដែលដំណើរការលើគម្រោងជាច្រើន ប៉ុន្តែក្រុមនានាបង្កើតគ្រាមភាសាជាក់លាក់មួយតាមពេលវេលា។ នោះហើយជារបៀបដែលអ្នកបញ្ចប់ដោយភាពមិនស៊ីគ្នាដូចជា userId ទល់នឹង AccountId ឬ transaction ទល់នឹង LedgerEntry ទោះបីជាតក្កវិជ្ជាល្អក៏ដោយ។ ភាពរសាត់បាត់នៃការដាក់ឈ្មោះនេះគឺជាតម្រុយមួយដែលថាកូដមិនត្រូវបានសរសេរខណៈពេលដែល "រស់នៅខាងក្នុង" ដែន និងការរឹតបន្តឹងរបស់អ្នក។

តើវាសមនឹងព្យាយាមរកឃើញកូដ AI នៅក្នុងការពិនិត្យកូដដែរឬទេ?

ជាធម្មតាវាមានផលិតភាពជាងក្នុងការពិនិត្យគុណភាពជាជាងភាពជាអ្នកនិពន្ធ។ មនុស្សក៏អាចសរសេរកូដដែលស្អាត និងមានមតិយោបល់ច្រើនពេកផងដែរ ហើយ AI អាចបង្កើតសេចក្តីព្រាងដ៏ល្អឥតខ្ចោះនៅពេលដែលត្រូវបានណែនាំ។ ជំនួសឱ្យការដើរតួជាអ្នកស៊ើបអង្កេត សូមចុចលើហេតុផលនៃការរចនា និងចំណុចដែលទំនងជាបរាជ័យក្នុងការផលិត។ បន្ទាប់មកផ្ទៀងផ្ទាត់ជាមួយនឹងការធ្វើតេស្ត ការតម្រឹមស្ថាបត្យកម្ម និងវិន័យកំហុស។ ការធ្វើតេស្តសម្ពាធល្អជាងការធ្វើតេស្ត vibe។.

តើអ្នកជំរុញ AI យ៉ាងដូចម្តេចដើម្បីឱ្យកូដចេញមកកាន់តែគួរឱ្យទុកចិត្ត?

ចាប់ផ្តើមដោយការចាក់បញ្ចូលការរឹតបន្តឹងនៅខាងមុខ៖ ធាតុចូល/ទិន្នផលដែលរំពឹងទុក រូបរាងទិន្នន័យ តម្រូវការប្រតិបត្តិការ គោលការណ៍កំហុស អនុសញ្ញាដាក់ឈ្មោះ និងគំរូដែលមានស្រាប់នៅក្នុង repo របស់អ្នក។ សួររកការសម្របសម្រួល មិនមែនគ្រាន់តែជាដំណោះស្រាយនោះទេ - "តើវានឹងបំបែកនៅឯណា?" និង "តើអ្នកនឹងជៀសវាងអ្វី ហើយហេតុអ្វី?" ជាចុងក្រោយ ការដកដោយបង្ខំ៖ ប្រាប់វាឱ្យលុបការអរូបីដែលមិនចាំបាច់ចេញ ហើយបង្កើតកំណែត្រឹមត្រូវតូចបំផុត មុនពេលអ្នកពង្រីកអ្វីមួយ។.

ឯកសារយោង

1. Stack Overflow - ការស្ទង់មតិអ្នកអភិវឌ្ឍន៍ Stack Overflow ឆ្នាំ ២០២៥ - survey.stackoverflow.co

2. GitHub - GitHub Octoverse (ថ្ងៃទី 28 ខែតុលា ឆ្នាំ 2025) - github.blog

3. Google - ការអនុវត្តវិស្វកម្ម Google៖ ស្តង់ដារនៃការពិនិត្យឡើងវិញនូវកូដ - google.github.io

4. Abseil - វិស្វកម្មកម្មវិធីនៅ Google: ការធ្វើតេស្តឯកតា - abseil.io

5. Abseil - វិស្វកម្មកម្មវិធីនៅ Google៖ ការពិនិត្យឡើងវិញអំពីកូដ - abseil.io

6. Abseil - វិស្វកម្មកម្មវិធីនៅ Google: ការធ្វើតេស្តធំជាង - abseil.io

7. ម៉ាទីន ហ្វូលលើរ - ម៉ាទីន ហ្វូលលើរ៖ បិទ/បើកមុខងារ - martinfowler.com

8. ម៉ាទីន ហ្វូលលើ - ពីរ៉ាមីតសាកល្បងជាក់ស្តែង - martinfowler.com

9. OWASP - សន្លឹកបន្លំសម្រាប់ការបង្កើតគំរូគំរាមកំហែង OWASP - cheatsheetseries.owasp.org

10. OWASP - សន្លឹកបន្លំកំណត់ហេតុ OWASP - cheatsheetseries.owasp.org

11. OWASP - កំពូលទាំង ១០ របស់ OWASP ឆ្នាំ ២០២៥៖ ការកត់ត្រាសុវត្ថិភាព និងការបរាជ័យនៃការជូនដំណឹង - owasp.org

12. ESLint - ឯកសារ ESLint - eslint.org

13. ឯកសារ GitHub - ការស្កេនកូដ GitHub CodeQL - docs.github.com

14. TypeScript - TypeScript៖ ការត្រួតពិនិត្យប្រភេទឋិតិវន្ត - www.typescriptlang.org

15. mypy - ឯកសារ mypy - mypy.readthedocs.io

16. Python - ឯកសារ Python៖ កម្មវិធី​បង្កើត​ទម្រង់ Python - docs.python.org

17. pytest - ឯកសារ​ឧបករណ៍​ pytest - docs.pytest.org

18. Pylint - ឯកសារ Pylint៖ លើកលែងតែ - pylint.pycqa.org

19. សេវាកម្មគេហទំព័រ Amazon - ការណែនាំអំពីវេជ្ជបញ្ជា AWS៖ សាកល្បងម្តងទៀតជាមួយនឹងការបិទផ្លូវ - docs.aws.amazon.com

20. សេវាកម្មគេហទំព័រ Amazon - បណ្ណាល័យអ្នកបង្កើត AWS៖ ការអស់ពេល ការព្យាយាមឡើងវិញ និងការថយក្រោយជាមួយនឹងភាពច្របូកច្របល់ - aws.amazon.com

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង