Přeskočit na obsah

AI ve vývoji

AI jako nástroj, ne autopilot

Nepoužíváme AI stylem „napiš prompt a je hotovo“. Máme jasná pravidla, zmapovaný projekt, ruční úpravy, code review a testy. AI nám šetří čas na rutině, kvalitu hlídají lidé.

„Napiš mi e-shop“ nestačí

AI umí za pár vteřin vygenerovat stovky řádků kódu. Bez pravidel, kontroly a testů je to ale kód, kterému nikdo nerozumí, který se špatně udržuje a ve kterém se skrývají chyby.

Proto AI používáme jako rychlého asistenta v přesně vymezených krocích. Rozhodnutí o architektuře, kontrola kódu, bezpečnost a testování zůstávají v rukou vývojářů.

Kdo dělá jaký krok vývoje
  1. 1 Jasné guidelines Člověk
  2. 2 Zmapování projektu Člověk + AI
  3. 3 AI navrhne základní kostru AI
  4. 4 Ruční úpravy a refaktoring Člověk
  5. 5 Lov chyb po AI Člověk
  6. 6 Automatizované i ruční testy Člověk + AI
  7. 7 Nasazení přes CI/CD Automaticky
ČlověkČlověk + AIAIAutomaticky

AI samostatně dělá jediný krok ze sedmi – návrh kostry. Všechno ostatní řídí, kontroluje nebo dělá člověk.

Náš proces

Sedm kroků od zadání k nasazení

  1. Krok 1 Člověk

    Jasné guidelines

    Než AI napíše jediný řádek, sepíšeme pravidla projektu – architekturu, návrhové vzory, konvence pojmenování, bezpečnostní zásady a coding standards. AI je dostává jako závazný kontext.

    Výstup: Pravidla projektu v repozitáři

  2. Krok 2 Člověk + AI

    Zmapování projektu

    Popíšeme doménu, entity a jejich vztahy, procesy, role uživatelů, integrace a okrajové případy. AI pomáhá s rešerší a s doplněním kontextu, rozhodnutí děláme my.

    Výstup: Datový model, procesy a zadání

  3. Krok 3 AI

    AI navrhne základní kostru

    Na základě guidelines a mapy projektu necháme AI vygenerovat výchozí strukturu – migrace, modely, routy, základní obrazovky a kostru testů. Je to startovní bod, ne hotový produkt.

    Výstup: Kostra aplikace v samostatné větvi

  4. Krok 4 Člověk

    Ruční úpravy a refaktoring

    Kód procházíme a přepisujeme ručně. Aplikujeme návrhové vzory, které AI sama nenapíše ani s podrobným zadáním, upravujeme výkon a čistíme architekturu.

    Výstup: Čitelný a udržitelný kód

  5. Krok 5 Člověk

    Lov chyb po AI

    Každou změnu kontroluje člověk v code review. Hledáme typické chyby AI – vymyšlené metody, chybějící autorizaci, N+1 dotazy nebo neošetřené okrajové stavy.

    Výstup: Schválený pull request

  6. Krok 6 Člověk + AI

    Automatizované i ruční testy

    Každá aplikace má automatizované testy (unit, feature, E2E) a zároveň ji ručně proklikáme na reálných zařízeních a v různých prohlížečích.

    Výstup: Ověřená verze připravená k nasazení

  7. Krok 7 Automaticky

    Nasazení přes CI/CD

    Kód se nasazuje automaticky přes GitHub Actions – nejdřív do privátního prostředí na našem Docker serveru, pak na staging ke schválení a teprve potom do produkce.

    Výstup: Bezpečné a opakovatelné nasazení

Rozdíl v praxi

„Prompt a hotovo“ vs. jak to děláme my

Prompt a hotovo Awwwesome
Zadání Jedna věta do chatu Guidelines + zmapovaný projekt
Architektura Co AI zrovna napadne Námi zvolené návrhové vzory
Kontrola kódu Žádná nebo letmá Code review každé změny člověkem
Testy „Vypadá to, že to funguje“ Automatizované i ruční testy
Bezpečnost Spoléhá se na AI Ruční kontrola autorizace a vstupů
Nasazení Ručně na produkci CI/CD → privátní prostředí → staging → produkce
Údržba za rok Nikdo neví, jak to funguje Zdokumentovaný a otestovaný kód

Příklad z Laravelu

Návrhové vzory, které AI nenapíše ani s podrobným zadáním

Uložení objednávky. AI vygeneruje kód, který „funguje“. My ho přepíšeme tak, aby byl bezpečný, testovatelný a za rok pochopitelný pro kohokoli z týmu.

OrderController.php Návrh od AI
public function store(Request $request)
{
    $data = $request->validate([...]);
    // ⚠ kdokoli může vytvořit objednávku komukoli
    $order = Order::create($request->all());
    // ⚠ bez transakce – při chybě poloviční data
    foreach ($request->items as $item) {
        $order->items()->create($item);
    }
    // ⚠ e-mail blokuje odpověď uživateli
    Mail::to($order->email)->send(new OrderCreated($order));

    return redirect()->route('orders.show', $order);
}
Actions/CreateOrder.php Po ruční úpravě
// Kontroler: validace + autorizace ve StoreOrderRequest
public function store(StoreOrderRequest $request, CreateOrder $action)
{
    $order = $action->handle(OrderData::fromRequest($request));
    return to_route('orders.show', $order);
}

final class CreateOrder
{
    public function handle(OrderData $data): Order
    {
        return DB::transaction(function () use ($data) {
            $order = Order::create($data->attributes());
            $order->items()->createMany($data->items);
            OrderCreated::dispatch($order); // e-mail z fronty
            return $order;
        });
    }
}
  • Autorizace a validace v jednom Form Requestu
  • Transakce – žádná poloviční data
  • Typovaná data (DTO) místo $request->all()
  • E-mail přes událost a frontu, uživatel nečeká

Vzory, které v Laravelu používáme

Action třídy

Jedna třída = jedna business operace. Snadno se testuje a používá z kontroleru, příkazu i fronty.

Form Requests

Validace a autorizace vstupu mimo kontroler, na jednom místě.

DTO (Data Transfer Objects)

Typovaná data mezi vrstvami místo polí, ve kterých se nikdo nevyzná.

Policies

Kdo smí co dělat s jakým záznamem – vynucené u každé akce.

Události a fronty

E-maily, notifikace a pomalé úlohy běží na pozadí a neblokují uživatele.

Strategy a Pipeline

Výpočty cen, dopravy nebo plateb, které jdou rozšířit bez přepisování existujícího kódu.

Code review

Chyby AI hledáme ručně

Kód od AI často vypadá přesvědčivě, a právě proto je potřeba ho číst řádek po řádku. Tohle jsou nejčastější problémy, které při code review zachytíme.

Vymyšlené metody a balíčky

AI sebevědomě volá funkce, které v dané verzi Laravelu nebo knihovny neexistují.

Chybějící autorizace

Kontroler, který ověří přihlášení, ale ne to, jestli uživatel smí upravit právě tento záznam.

N+1 dotazy

Výpis, který pro každý řádek posílá další dotaz do databáze – s pár záznamy funguje, s tisíci se zasekne.

Mass assignment

Modely s otevřeným hromadným přiřazením, přes které lze podstrčit i pole, která uživatel měnit nemá.

Chybějící transakce

Uložení objednávky a položek ve více krocích bez transakce – při chybě zůstanou v databázi poloviční data.

Zastaralé postupy

Kód podle starých verzí frameworku, které AI zná z tréninku, místo aktuálních doporučení.

Testování a nasazení

Cesta každé změny: GitHub → privátní Docker server → staging → produkce

Žádná změna nejde do produkce bez automatických kontrol a ručního otestování. Každou větev si spustíme v izolovaném prostředí na vlastním Docker serveru, kam nemá přístup nikdo zvenku.

  1. git push

    1.

    Pull request

    Vývojář pošle změnu do vlastní větve na GitHubu.

  2. CI

    2.

    GitHub Actions

    Automaticky se spustí kontroly a testy.

  3. preview

    3.

    Privátní Docker server

    Větev běží v izolovaném prostředí s testovacími daty.

  4. QA

    4.

    Ruční testování

    Proklikáme na telefonech, tabletech a v prohlížečích.

  5. schválení

    5.

    Staging

    Vy si novinku vyzkoušíte a schválíte.

  6. release

    6.

    Produkce

    Nasazení jedním kliknutím, s možností návratu.

GitHub Actions · ukázka běhu
Formátování kódu Laravel Pint
Statická analýza PHPStan / Larastan
Unit a feature testy Pest / PHPUnit
E2E testy v prohlížeči Cypress
Build frontendu Vite
Docker image Docker
✓ Všechny kontroly prošly – větev je připravená k ručnímu testování
Vlastní Docker server – privátní testovací prostředí

Každá větev dostane vlastní sadu kontejnerů. Testujeme na stejné konfiguraci jako v produkci, ale odděleně a bez skutečných dat zákazníků.

feature/objednavky

app (PHP) MySQL Redis queue worker

feature/platby

app (PHP) MySQL Redis queue worker
  • Izolované prostředí pro každou větev
  • Anonymizovaná nebo vymyšlená testovací data
  • Přístup jen pro náš tým a vás jako klienta
  • Stejné verze PHP, databáze a služeb jako v produkci

Testování

Každou aplikaci testujeme automaticky i ručně

Automatizované testy

Běží při každé změně v GitHub Actions. Když test neprojde, změna se dál nedostane.

  • Unit testy – jednotlivé třídy a výpočty
  • Feature testy – celé požadavky včetně databáze a autorizace
  • E2E testy – skutečný prohlížeč proklikává klíčové scénáře
  • Statická analýza – odhalí chyby ještě před spuštěním

Ruční testování

Automat neodhalí všechno. Proto aplikaci vždy projde i člověk – očima uživatele.

  • Reálné telefony a tablety (iOS i Android)
  • Různé prohlížeče a velikosti obrazovek
  • Okrajové případy a nečekané postupy uživatelů
  • Přístupnost, srozumitelnost a rychlost

FAQ

Otázky k AI

Chcete vědět víc o tom, jak pracujeme? Napište nám.

Píše vám kód umělá inteligence?

AI nám pomáhá s rutinní prací – navrhne kostru, připraví opakující se části a pomůže s rešerší. Architekturu, návrhové vzory, kontrolu a testování ale dělají lidé. Za každý řádek, který se dostane do produkce, odpovídá konkrétní vývojář.

Je kód vytvořený s pomocí AI bezpečný?

Ano, protože mu nevěříme naslepo. Každá změna prochází code review člověkem, statickou analýzou a automatizovanými testy. Bezpečnostní části – autorizaci, validaci vstupů a práci s osobními údaji – kontrolujeme ručně vždy.

Posíláte do AI naše data?

Do AI nástrojů neposíláme přístupové údaje, hesla ani osobní údaje vašich zákazníků. Pro testování používáme vymyšlená nebo anonymizovaná data.

Je díky AI vývoj levnější?

Ušetříme čas na rutinní práci, takže se můžeme víc věnovat architektuře, testům a detailům. Výsledkem je hlavně kvalitnější a udržitelnější produkt za férovou cenu.

Máte nápad? Pojďme z něj udělat něco awwwesome.

Napište nám pár vět o svém projektu. Do dvou pracovních dnů se ozveme s nezávaznou cenovou nabídkou – zdarma.