AI пише кода. Ти носиш отговорността.

AI може да генерира десетки или стотици редове код за секунди. Това обаче не означава, че кодът решава правилния проблем, че тестовете доказват това, което очакваме, или че промяната е безопасна за production.

Колкото по-лесно става генерирането на код, толкова по-важна става способността на инженера да проверява, разбира и поставя под съмнение резултата.

В това 3-часово обучение Александър Тодоров ще разгледа как да запазим инженерния контрол в AI-assisted development - чрез testing mindset, static analysis, dependency и supply-chain проверки и добри Git практики.

Това не е обучение за поредния AI coding tool. Фокусът е върху уменията, които стават още по-важни, когато все по-голяма част от implementation-а може да бъде генерирана от AI.

1. AI написа кода. Как разбираме дали е прав?

Защо „изглежда правилно“ не означава „правилно е“.

Ще разгледаме как да формулираме и проверяваме хипотези, как confirmation bias влияе върху начина, по който оценяваме AI output, и защо е важно да търсим counterexamples, а не само доказателства, че първоначалното решение работи.

2. Зелените тестове не означават автоматично добър код

Какво реално доказва един test и какво може да остане извън него?

Ще говорим за happy paths, boundaries, negative cases и common testing patterns, които остават валидни независимо от конкретния framework или programming language.

3. Хвани проблема преди тестовете

Как static analysis, linters, type checking и custom rules могат да откриват проблеми още преди test suite-а.

Ще видим и как инженерните правила могат да бъдат превърнати в автоматизирани проверки - особено когато AI започне да генерира повече код, отколкото човек може да review-не ръчно.

4. Кодът не е само кодът, който пишем

AI може да предложи нов package или dependency за секунди. Но кой проверява какво всъщност добавяме към проекта?

Ще разгледаме:

- direct и transitive dependencies;
- supply-chain рискове;
- Dependabot и регулярни updates;
- как да оценяваме непозната dependency;
- кога един routine update може да се превърне в production risk.

5. Git като последна защитна мрежа

Какво правим, когато AI agent промени 15 файла наведнъж?

Ще разгледаме Git не като fundamentals обучение, а като инструмент за контрол върху AI-generated changes:

- как разбираме какво реално се е променило;
- merge, rebase и squash в практически ситуации;
- как държим промените малки, reviewable и reversible;
- как историята на Git може да ни помогне да възстановим контекст след - проблем.

Уъркшопът се провежда онлайн, без запис.