AI корисний у debugging, коли допомагає сформувати гіпотезу, а не просто повертає новий фрагмент коду. Якість відповіді залежить від контексту: повідомлення «не працює» майже нічого не пояснює, а короткий відтворюваний приклад дозволяє аналізувати причину.
Підготуйте відтворюваний запит
- Сформулюйте очікуваний результат.
- Опишіть фактичну поведінку.
- Скопіюйте повний error message і stack trace без секретів.
- Вкажіть мову, runtime та важливі версії.
- Скоротіть код до minimal reproducible example.
Приклад корисного prompt
У Node.js функція має повернути масив активних users, але повертає порожній список. Ось вхідні дані, код і результат. Допоможи локалізувати причину. Спочатку постав уточнювальні запитання, потім поясни перевірки — не переписуй функцію повністю.
Такий запит задає роль AI: підтримати investigation, а не приховати проблему готовою відповіддю.
Просіть пояснення
Корисні питання: «Яка гіпотеза найімовірніша?», «Який log додати?», «Який найменший test відрізнить дві причини?», «Чому ця зміна виправляє помилку?». Якщо відповідь неможливо пояснити своїми словами, її рано додавати в код.
Перевіряйте запропоноване рішення
- Відтворіть bug до зміни.
- Змініть одну річ.
- Запустіть test для звичайного й крайового випадку.
- Перегляньте diff.
- Переконайтеся, що симптом не просто приховано.
Перевірка, ризики та межі
Коли AI може помилятися
Модель може вигадати API, пропустити context framework, запропонувати застарілий метод або небезпечне вимкнення validation. Для security, payments, authentication і data migrations потрібні документація, tests та review людиною.
Privacy і security
Не надсилайте credentials, tokens, персональні дані, production dumps чи приватний source без дозволу. Замініть значення фіктивними й залиште лише структуру, потрібну для bug.
Практична вправа
Візьміть знайому помилку, складіть minimal example і попросіть AI запропонувати три гіпотези з перевірками. Порівняйте їх із власним планом. Загальні правила відповідального використання описані в матеріалі Як використовувати AI під час навчання програмуванню і не перестати думати самостійно.
Відокремлюйте факт від припущення
«Функція запускається двічі» — припущення, поки немає log. Фактом є два однакові елементи в DOM. AI може одразу будувати рішення на хибному припущенні, тому просіть спочатку запропонувати instrumentation.
Перевірка API та версії
Якщо відповідь називає method, відкрийте документацію саме вашої версії. Перевірте signature, return value і failure cases. Впевнене формулювання AI не є доказом існування API.
Security review запропонованого fix
- Чи не вимкнено validation?
- Чи не логуються tokens або personal data?
- Чи перевіряються permissions?
- Чи немає raw SQL або unescaped output?
- Чи не додається dependency без потреби?
Коли зупинитися
Якщо зміна стосується production database, payments, authentication або видалення даних, не виконуйте її лише на підставі відповіді AI. Потрібні backup, документація, review та контрольований test environment.
Фінальна нотатка після debugging
Запишіть root cause, ознаку, яка його видала, і test, що захищає від повторення. Так одноразова помилка стає навчальним матеріалом, а наступний AI-запит містить кращий контекст.
Наступний крок
AI для навчання та програмування тренує prompting, debugging і code review так, щоб AI не замінював розуміння задачі.
Як зробити minimal reproducible example
Видаліть styling, unrelated functions і production data. Залиште найменший input, який стабільно викликає bug. Якщо після видалення частини проблема зникає, ви вже отримали важливу підказку про залежність.
Приклад структури запиту
- Environment: PHP 8.2, WordPress, конкретна версія plugin.
- Expected: форма показує повідомлення один раз.
- Actual: повідомлення дублюється після другого submit.
- Error: точний log або вказівка, що error немає.
- Code: короткий callback.
- Tried: які гіпотези вже перевірені.