AI’a bir dosyayı düzeltmesini rica ettin. Kararlı bir şekilde değiştirilmiş dosyayı geri gönderdi. Dosyayı çalıştırdığında, bambaşka bir hata ortaya çıktı.
Ses belli mi? Güvenilir bir yabancıdan, tanımadığımız bir şehrin yol tariflerini istemeye benziyor. Niyet samimiyet. Doğruluk ise ayrı bir sorun.
2025 yılında yayınlanan Stack Overflow Geliştirici Anketi sonuçlarına göre, geliştiricilerin %66’sı AI tarafından üretilen kodun 'neredeyse doğru ancak eksik' olduğunu bildirirken, %45’i AI tarafından üretilen kodlardaki hataları düzeltmenin daha fazla zaman aldığını ifade ediyor. AI, inandırıcı kod üretme konusunda oldukça başarılı. Ancak bu kodun 'hangi koşullarda başarısız olacağını' sorma konusunda zayıf kalıyor.
Bu durumda geliştiriciler, AI’ya insan_debugarıların kullanım kalıplarını nasıl aktarabilir? Bu makalede, 10 adet hata ayıklama tekniği, CLAUDE.md dosyasına veya herhangi bir AI yeteneğine kopyalanabilen 5 adet sorgu bloğuna dönüştürülmüş şekilde sunuluyor.
AI neden "olası düzeltmelere" atlıyor?
Geliştiriciler AI’ya "Bu API 500 hata kodu döndürüyor" talimatını verdiklerinde, çoğu zaman AI bir try-catch bloğu veya null kontrolü ekliyor. Bazen belirtilen semptom kayboluyor. Ancak gerçek sebep, bağlantı havuzu tükenmesi ise, bu try-catch sadece sorunu gizlemiş oluyor. Saatler sonra aynı başarısızlık, başka bir yerde yeniden ortaya çıkıyor.
Büyük Dil Modelleri (LLM), olası bir sonraki kodu tahmin etmek üzere eğitilmişlerdir. Hata ayıklama örüntüleri ve düzeltme blokları, eğitim verisinde bolca yer almaktadır. Bu nedenle AI, kök sebebi araştırmaktan çok, olası bir düzeltmeyi örneğe göre eşleştirmek konusunda daha kolay davranmaktadır. İnsan debuggerının yargısı — 'Henüz sebebi bilmiyorum; araştırmaya devam et' — bu talimat açıkça verilmediği sürece ortaya çıkmamaktadır.
AI Debuggingde "Plausible Fixes" Neden Yetersiz Kalıyor?
Geliştiriciler AI’ya "Bu API 500 hata kodu döndürüyor" talimatını verdiklerinde, çoğu zaman AI bir try-catch bloğu veya null kontrolü ekliyor. Bazen belirtilen semptom kayboluyor. Ancak gerçek sebep, bağlantı havuzu tükenmesi ise, bu try-catch sadece sorunu gizlemiş oluyor. Saatler sonra aynı başarısızlık, başka bir yerde yeniden ortaya çıkıyor.
LLM’ler, eğitim verilerindeki en olası düzeltme kalıplarını tahmin etmektedir.
Yapay zeka özeti
Yapay zekadan alınan hata düzeltmeleri %66 oranda 'neredeyse doğru' iken, %45'i daha fazla zaman kaybettiriyor. Peki geliştiriciler AI hata ayıklamayı nasıl %50 verimle kullanabilir? İşte AI'yi 'kök sebep' araştırmasına yönlendiren 10 teknik.
Etiketler
