Самые популярные ошибки начинающего SDET-специалиста

По мере того как современная разработка программного обеспечения движется в сторону непрерывной доставки и микросервисов, цена ошибок возрастает. Нестабильные тесты, плохо масштабируемый код автотестов или неправильное использование инструментов могут приводить к задержкам релизов или к росту количества багов из-за затрат времени и ресурсов на выявление причин падения автотестов. То, что сначала кажется временным исправлением, впоследствии может обернуться отложенными последствиями для всей команды. В этой статье мы рассмотрим семь распространенных ошибок, которые совершают начинающие SDET. Разберем не только то, что идет не так, но и почему это имеет значение и как подходить к решению каждой из проблем наиболее эффективно. Цель статьи — помочь начинающим SDET заложить прочный фундамент для эффективного тестирования, основанного на качестве, масштабируемости и взаимодействии с командой. Читать далее 🦾

https://habr.com/ru/companies/simbirsoft/articles/1027022/

#qa #тестирование #qa_automation #автоматизация_тестирования #автотесты #code_quality #качество_кода #чистая_архитектура #рефакторинг #python

Самые популярные ошибки начинающего SDET-специалиста

По мере того как современная разработка программного обеспечения движется в сторону непрерывной доставки и микросервисов, цена ошибок возрастает. Нестабильные тесты, плохо масштабируемый код...

Хабр

터키 루비 개발자 커뮤니티: 작지만 강력한 니치 시장의 특징

터키 루비 개발자의 77%가 완전 원격 근무를 수행하며, 이는 일반적인 소프트웨어 산업 평균인 48%를 크게 상회하는 수치로 루비 생태계의 원격 근무 지향적 문화를 증명한다.

🔗 원문 보기

터키 루비 개발자 커뮤니티: 작지만 강력한 니치 시장의 특징

터키 루비 개발자의 77%가 완전 원격 근무를 수행하며, 이는 일반적인 소프트웨어 산업 평균인 48%를 크게 상회하는 수치로 루비 생태계의 원격 근무 지향적 문화를 증명한다.

Ruby-News | 루비 AI 뉴스

[Перевод] Долг понимания — скрытая цена кода, сгенерированного искусственным интеллектом

“Долг понимания” (comprehension debt) — это скрытая цена, которую человеческий интеллект и память платят в результате чрезмерной зависимости от ИИ и автоматизации. Для инженеров это особенно актуально в сфере разработки агентных систем. Когда команды активно используют инструменты для генерации кода с помощью ИИ, возникают определенные издержки, которые не отражаются в показателях производительности. Особенно это касается случаев, когда проверка всего кода, генерируемого ИИ, становится утомительной. Эти издержки накапливаются постепенно, и в конечном итоге их приходится оплачивать — с процентами. Это называется “долг понимания” или “когнитивный долг” .

https://habr.com/ru/articles/1016680/

#code_quality #ai #artificial_intelligence #technical_debt #сomprehension_debt #качество_кода #ии #искусственный_интеллект #технический_долг #долг_понимания

Долг понимания — скрытая цена кода, сгенерированного искусственным интеллектом

“Долг понимания” (comprehension debt) — это скрытая цена, которую человеческий интеллект и память платят в результате чрезмерной зависимости от ИИ и автоматизации. Для инженеров это особенно актуально...

Хабр

С плохим ИИ-кодом всё ясно, а как добиться хорошего?

О проблемах с ИИ-кодингом на Хабре написано уже много. Но хочется перейти к конструктивному подходу: да, наломать дров с ИИ легко, а вот как работать с ним наиболее профессионально? Известные разработчики вроде Митчелла Хашимото (создателя Terraform и Ghostty) всё чаще говорят что-то в духе «вот тут уже ни строчки кода не написал вручную». При этом Хашимото — противник слопа, и он подчёркивает, что добился от ИИ качественного кода. А что помогает добиваться? Мы в проекте Kodik подобные вопросы ощущаем особенно остро, потому что в редакторе кода с ИИ делаем… собственно, сам этот редактор кода с ИИ. Так что для нас все проблемы особенно наглядны, а их решения — особенно важны. Поэтому мы собрали вместе идеи и из опыта мировой IT-индустрии, и из нашего собственного. Это не какая-то «окончательная истина»: сейчас вся планета только разбирается, ни у кого ещё нет полных ответов, и полезно обмениваться опытом. Так что смело дополняйте в комментариях: интересно узнать, что помогает вам, и собрать «общехабровую кладезь знаний». Если кто-то захочет конструктивно возразить, такое обсуждение тоже полезно.

https://habr.com/ru/companies/kodik/articles/1014328/?utm_source=habrahabr&utm_medium=rss&utm_campaign=1014328

#ai #качество_кода #code_quality #tdd #sdd

С плохим ИИ-кодом всё ясно, а как добиться хорошего?

О проблемах с ИИ-кодингом на Хабре написано уже много. Но хочется перейти к конструктивному подходу: да, наломать дров с ИИ легко, а вот как работать с ним наиболее профессионально? Известные...

Хабр

С плохим ИИ-кодом всё ясно, а как добиться хорошего?

О проблемах с ИИ-кодингом на Хабре написано уже много. Но хочется перейти к конструктивному подходу: да, наломать дров с ИИ легко, а вот как работать с ним наиболее профессионально? Известные разработчики вроде Митчелла Хашимото (создателя Terraform и Ghostty) всё чаще говорят что-то в духе «вот тут уже ни строчки кода не написал вручную». При этом Хашимото — противник слопа, и он подчёркивает, что добился от ИИ качественного кода. А что помогает добиваться? Мы в проекте Kodik подобные вопросы ощущаем особенно остро, потому что в редакторе кода с ИИ делаем… собственно, сам этот редактор кода с ИИ. Так что для нас все проблемы особенно наглядны, а их решения — особенно важны. Поэтому мы собрали вместе идеи и из опыта мировой IT-индустрии, и из нашего собственного. Это не какая-то «окончательная истина»: сейчас вся планета только разбирается, ни у кого ещё нет полных ответов, и полезно обмениваться опытом. Так что смело дополняйте в комментариях: интересно узнать, что помогает вам, и собрать «общехабровую кладезь знаний». Если кто-то захочет конструктивно возразить, такое обсуждение тоже полезно.

https://habr.com/ru/companies/kodik/articles/1014328/

#ai #качество_кода #code_quality #tdd #sdd

С плохим ИИ-кодом всё ясно, а как добиться хорошего?

О проблемах с ИИ-кодингом на Хабре написано уже много. Но хочется перейти к конструктивному подходу: да, наломать дров с ИИ легко, а вот как работать с ним наиболее профессионально? Известные...

Хабр
Three ways formally verified code can go wrong in practice

"Correct" doesn't mean "correct" when correctly using "correct"

Computer Things

Reading through https://georgiker.com/blog/is-ai-leaving-python-community-behind/ (thanks for promoting it, @hugovk !), I'm starting to wonder if I should be more pro-active and try to create mentoring opportunities for juniors and wannabe-OSS contributors (especially #Python).

Let's start right now: if you're reading this and looking for general help with learning Python, contributing to open source projects, or would like to chat about all-things #packaging, #testing, #code_quality... drop me a line ! (I'll do it for free)

Is AI Leaving the Python Community Behind?

Georgi’s Official Website

TDD: разработка быстрее и качественнее

Все мы стремимся создавать более качественное программное обеспечение и делать это быстрее. Я считаю, что разработка через тестирование предлагает нам путь к этой цели. Все еще боитесь использовать этот подход? Тогда я приглашаю вас обсудить советы и приемы помогающие раскрыть преимущества TDD!

https://habr.com/ru/articles/925446/

#tdd #test_driven_development #software_development #testing #agile #unit_testing #code_quality #refactoring #test_first

TDD: разработка быстрее и качественнее

This article in English Все мы стремимся создавать более качественное программное обеспечение и делать это быстрее. Я считаю, что разработка через тестирование предлагает нам путь к этой цели....

Хабр
Don't Guess My Language

If you’re still using IP geolocation to decide what language to show, stop screwing around. It’s a broken assumption dressed up as a feature.

#programming #tips #python #code_quality

If you want to change your print statements to logging semi-automically you can use the regex

`print\(\s*"([^"]+)"\s*,\s*((.+)\))`

and replacement string

`logger.info(f"$1=\{$3\}")`

(PyCharm) to automatically convert e.g. print("len(stream_process_table)", len(stream_process_table)) to logger.info(f"len(stream_process_table)={len(stream_process_table)}"