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.
- 1 Jasné guidelines Člověk
- 2 Zmapování projektu Člověk + AI
- 3 AI navrhne základní kostru AI
- 4 Ruční úpravy a refaktoring Člověk
- 5 Lov chyb po AI Člověk
- 6 Automatizované i ruční testy Člověk + AI
- 7 Nasazení přes CI/CD Automaticky
AI samostatně dělá jediný krok ze sedmi – návrh kostry. Všechno ostatní řídí, kontroluje nebo dělá člověk.
Náš proces
Sedm kroků od zadání k nasazení
-
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
-
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
-
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
-
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
-
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
-
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
-
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.
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); }
// 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.
-
git push
1.
Pull request
Vývojář pošle změnu do vlastní větve na GitHubu.
-
CI
2.
GitHub Actions
Automaticky se spustí kontroly a testy.
-
preview
3.
Privátní Docker server
Větev běží v izolovaném prostředí s testovacími daty.
-
QA
4.
Ruční testování
Proklikáme na telefonech, tabletech a v prohlížečích.
-
schválení
5.
Staging
Vy si novinku vyzkoušíte a schválíte.
-
release
6.
Produkce
Nasazení jedním kliknutím, s možností návratu.
Každá větev dostane vlastní sadu kontejnerů. Testujeme na stejné konfiguraci jako v produkci, ale odděleně a bez skutečných dat zákazníků.
feature/objednavky
feature/platby
- 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
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.