Programowanie z AI - Generowanie i Wyjaśnianie Kodu

AI jako partner programisty

Narzędzia takie jak GitHub Copilot, ChatGPT czy Claude potrafią generować kod, wyjaśniać złożone fragmenty, pomagać w debugowaniu i automatyzować rutynowe zadania. Traktuj je jak bardzo szybkiego juniora: nadrabia tempem, ale wszystko po nim sprawdzasz. Pokażę Ci, jak korzystać z nich w codziennej pracy - i czego nie oddawać modelowi bez sprawdzenia.

Generowanie kodu z opisu

Najprostsze zastosowanie - opisujesz, co chcesz osiągnąć, a AI generuje kod.

Podstawowe generowanie:

Napisz funkcję w Pythonie, która:
- Przyjmuje listę liczb
- Zwraca tylko liczby parzyste
- Sortuje wynik malejąco

def filter_and_sort_even(numbers):
    """
    Filtruje liczby parzyste i sortuje malejąco.

    Args:
        numbers: Lista liczb

    Returns:
        Lista parzystych liczb posortowanych malejąco
    """
    even_numbers = [n for n in numbers if n % 2 == 0]
    return sorted(even_numbers, reverse=True)

# Przykład użycia
numbers = [1, 4, 7, 2, 9, 8, 3, 6]
result = filter_and_sort_even(numbers)
print(result)  # [8, 6, 4, 2]

Generowanie z komentarzami - możesz też pisać specyfikację jako komentarze, a AI wypełni kod:

Wypełnij poniższy kod zgodnie z komentarzami:

def process_user_data(users):
    # 1. Filtruj użytkowników powyżej 18 lat
    # 2. Wyodrębnij tylko imiona i emaile
    # 3. Posortuj alfabetycznie po imieniu
    # 4. Zwróć jako listę słowników
    pass

Generowanie zapytań SQL

AI doskonale radzi sobie z SQL - wystarczy opisać strukturę bazy i zadanie.

Baza danych ma następujące tabele:

Tabela: departments
Kolumny: DepartmentId (INT, PK), DepartmentName (VARCHAR)

Tabela: students
Kolumny: StudentId (INT, PK), StudentName (VARCHAR),
         DepartmentId (INT, FK), EnrollmentDate (DATE)

Tabela: courses
Kolumny: CourseId (INT, PK), CourseName (VARCHAR),
         Credits (INT)

Tabela: enrollments
Kolumny: StudentId (INT, FK), CourseId (INT, FK),
         Grade (DECIMAL)

Napisz zapytanie SQL, które:
Znajdzie wszystkich studentów z działu "Computer Science",
którzy mają średnią ocen powyżej 4.0,
posortowanych po średniej malejąco.

SELECT
    s.StudentId,
    s.StudentName,
    d.DepartmentName,
    AVG(e.Grade) as AverageGrade
FROM students s
JOIN departments d ON s.DepartmentId = d.DepartmentId
JOIN enrollments e ON s.StudentId = e.StudentId
WHERE d.DepartmentName = 'Computer Science'
GROUP BY s.StudentId, s.StudentName, d.DepartmentName
HAVING AVG(e.Grade) > 4.0
ORDER BY AverageGrade DESC;

Wskazówka

Zawsze podawaj pełną strukturę tabel (kolumny, typy, klucze). Im więcej kontekstu, tym dokładniejsze zapytanie.

Wyjaśnianie kodu

AI potrafi wyjaśnić działanie skomplikowanego kodu w przystępny sposób.

Wyjaśnij poniższy kod Python linijka po linijce.
Skieruj wyjaśnienie do początkującego programisty.

def memoize(func):
    cache = {}
    def wrapper(*args):
        if args not in cache:
            cache[args] = func(*args)
        return cache[args]
    return wrapper

@memoize
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

Możesz dostosować poziom szczegółowości: “Wyjaśnij jak dla kogoś, kto dopiero uczy się programować” (dla początkującego), “Wyjaśnij działanie, skupiając się na wzorcach projektowych” (średnio-zaawansowany), “Przeanalizuj złożoność obliczeniową i optymalizacje” (zaawansowany).

Debugging z AI

AI może pomóc znaleźć i naprawić błędy w kodzie.

Znajdowanie błędów:

Ten kod powinien odwracać string, ale nie działa poprawnie.
Znajdź błąd i go napraw.

def reverse_string(s):
    result = ""
    for i in range(len(s)):
        result += s[i]
    return result

print(reverse_string("hello"))  # Powinno: "olleh", Jest: "hello"

Odpowiedź AI: błąd - pętla iteruje od 0 do len(s)-1, dodając znaki w oryginalnej kolejności zamiast odwrotnej.

# Poprawiony kod:
def reverse_string(s):
    result = ""
    for i in range(len(s) - 1, -1, -1):  # Iteracja od końca
        result += s[i]
    return result

# Lub bardziej pythonowy sposób:
def reverse_string(s):
    return s[::-1]

Analiza stack trace:

Mój kod zwraca następujący błąd. Wyjaśnij przyczynę
i zaproponuj rozwiązanie:

Traceback (most recent call last):
  File "app.py", line 45, in process_data
    result = data['users'][0]['email']
KeyError: 'users'

Kod:
def process_data(data):
    result = data['users'][0]['email']
    return result

Refaktoryzacja kodu

AI może pomóc ulepszyć istniejący kod, zachowując jego funkcjonalność.

# Przed refaktoryzacją:
def calc(l):
    t = 0
    for i in range(len(l)):
        if l[i] > 0:
            t = t + l[i]
    return t / len(l) if len(l) > 0 else 0

# Po refaktoryzacji:
def calculate_positive_average(numbers: list[float]) -> float:
    """
    Oblicza średnią arytmetyczną liczb dodatnich z listy.

    Args:
        numbers: Lista liczb do przetworzenia

    Returns:
        Średnia liczb dodatnich lub 0.0, jeśli nie ma żadnej
    """
    positive_numbers = [n for n in numbers if n > 0]

    if not positive_numbers:
        return 0.0

    return sum(positive_numbers) / len(positive_numbers)

Zatrzymaj się na chwilę przy ostatniej linii, bo to najważniejszy moment tego przykładu. Oryginalny calc sumował tylko liczby dodatnie, ale dzielił przez długość całej listy. Dla [10, -5, -5] zwracał 3,33, choć jedyna dodatnia liczba to 10.

Czy to był błąd, czy zamierzone zachowanie? Tego z samego kodu nie wyczytasz - a AI też nie. Model dostaje funkcję nazwaną calc bez dokumentacji i zgaduje intencję. Jeśli zgadnie “średnia dodatnich”, napisze ładny docstring, poprawną nazwę i zostawi dzielenie po staremu. Dostaniesz kod, który wygląda lepiej i kłamie w opisie.

Refaktoryzacja potrafi odsłonić stary błąd

Kiedy prosisz AI o refaktoryzację, pytaj wprost: “czy zachowujesz dotychczasowe zachowanie, czy je poprawiasz?”. Jeśli nazwa i dokumentacja przestają pasować do działania kodu, to sygnał, że w oryginale siedział błąd - i że ktoś musi zdecydować, którą wersję uznajemy za poprawną. Tej decyzji nie oddawaj modelowi.

Rodzaje refaktoryzacji: czytelność (lepsze nazwy zmiennych, dokumentacja), wydajność (optymalizacja algorytmów), wzorce (zastosowanie design patterns), testowanie (dodanie testów jednostkowych), bezpieczeństwo (usunięcie podatności).

Pisanie testów

AI może automatycznie generować testy jednostkowe dla istniejącego kodu.

def validate_email(email: str) -> bool:
    """Sprawdza czy email ma poprawny format."""
    import re
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return bool(re.match(pattern, email))

import pytest
from your_module import validate_email

class TestValidateEmail:
    """Testy dla funkcji validate_email."""

    # Poprawne emaile
    def test_valid_simple_email(self):
        assert validate_email("user@example.com") == True

    def test_valid_email_with_dots(self):
        assert validate_email("user.name@example.com") == True

    # Niepoprawne emaile
    def test_invalid_no_at(self):
        assert validate_email("userexample.com") == False

    def test_invalid_no_domain(self):
        assert validate_email("user@") == False

    def test_invalid_empty_string(self):
        assert validate_email("") == False

    # Przypadki brzegowe
    def test_short_tld(self):
        assert validate_email("user@example.co") == True

    def test_single_char_tld(self):
        assert validate_email("user@example.c") == False

Konwersja między językami

AI może tłumaczyć kod z jednego języka programowania na inny.

# Python:
def process_users(users):
    active_users = list(filter(lambda u: u['active'], users))
    names = list(map(lambda u: u['name'].upper(), active_users))
    return sorted(names)

// JavaScript (ES6+):
const processUsers = (users) => {
    const activeUsers = users.filter(u => u.active);
    const names = activeUsers.map(u => u.name.toUpperCase());
    return names.sort();
};

// Lub w jednej linii:
const processUsers = (users) =>
    users
        .filter(u => u.active)
        .map(u => u.name.toUpperCase())
        .sort();

Generowanie dokumentacji

AI może automatycznie tworzyć dokumentację dla istniejącego kodu - docstringi, komentarze i type hints dla klas i funkcji, na podstawie samej implementacji.

Najlepsze praktyki kodowania z AI

1. Czytaj wygenerowany kod, zanim go uruchomisz. To jedyna zasada z tej listy, której nie odpuszczaj. Kod od modelu wygląda poprawnie z definicji - jest składny, ma docstringi i sensowne nazwy - a mimo to potrafi mieć błąd logiczny albo lukę bezpieczeństwa. Traktuj go jak pull request od nieznajomego: dopóki go nie przeczytasz i nie przetestujesz, nie wiesz, co robi.
2. Podawaj kontekst technologiczny - określ wersję języka, framework, biblioteki. “Python 3.11 z FastAPI i Pydantic v2” da lepsze wyniki niż “Python”.
3. Używaj AI do nauki, nie kopiowania - staraj się zrozumieć wygenerowany kod. Pytaj o wyjaśnienia. To najlepsza forma nauki.
4. Iteruj nad rozwiązaniami - jeśli pierwszy wynik nie jest idealny, doprecyzuj wymagania lub poproś o alternatywne podejście.

Popularne narzędzia AI dla programistów

Narzędzie	Zastosowanie	Integracja
GitHub Copilot	Autouzupełnianie, generowanie kodu	VS Code, JetBrains, Neovim
ChatGPT	Wyjaśnienia, debugging, architektura	Web, API, integracje
Claude	Długi kontekst, analiza kodu	Web, API
Cursor	IDE z wbudowanym AI	Samodzielne IDE
Amazon CodeWhisperer	Autouzupełnianie, bezpieczeństwo	VS Code, JetBrains
Tabnine	Autouzupełnianie lokalne	Większość IDE

Podsumowanie

• Generowanie kodu - opisz zadanie, otrzymaj implementację
• SQL - podaj strukturę bazy, otrzymaj zapytanie
• Wyjaśnienia - AI tłumaczy kod na różnych poziomach zaawansowania
• Debugging - pomoc w znajdowaniu i naprawianiu błędów
• Refaktoryzacja - ulepszanie istniejącego kodu
• Testy - automatyczne generowanie testów jednostkowych
• Dokumentacja - tworzenie docstringów i komentarzy

Teraz wiesz

• Jak wykorzystywać AI do generowania kodu, zapytań SQL, testów jednostkowych i dokumentacji
• Jak AI pomaga w debugowaniu, refaktoryzacji i konwersji kodu między językami programowania
• Dlaczego zawsze trzeba weryfikować wygenerowany kod i podawać kontekst technologiczny (wersja języka, framework)

Następny krok: Najlepsze praktyki prompt engineering - poznasz zasady bezpieczeństwa promptów, obronę przed prompt injection i najczęstsze błędy do uniknięcia.

Częste pytania

Czy AI może programować?

AI potrafi generować, wyjaśniać i debugować kod. Nie zastępuje programisty, ale znacząco przyspiesza pracę - zwłaszcza w pisaniu powtarzalnego kodu i szukaniu błędów.