Milline näeb välja tehisintellekti kood?

Milline näeb välja tehisintellekti kood?

Lühike vastus: tehisintellektiga toetatud kood tundub sageli ebatavaliselt korralik ja „õpikulik“: järjepidev vormindus, üldised nimetused, viisakad veateated ja kommentaarid, mis kordavad ilmselget. Kui sellest puudub reaalse maailma sitkus – domeenikeel, kohmakad piirangud, äärmuslikud juhtumid –, on see hoiatav märk. Kui see oma repositooriumi mustritesse ankurdada ja tootmisriskide suhtes testida, muutub see usaldusväärseks.

Peamised järeldused:

Kontekstikontroll : kui domeeniterminid, andmekujud ja piirangud ei kajastu, käsitle seda riskantsena.

Liigne lihvimine : Liigsed dokumentatsioonistringid, ühtne struktuur ja maitsetud nimed võivad viidata geneeriliste terminite genereerimisele.

Veamenetlus : jälgige laiaulatuslikke erandite püüdmisi, neelatud tõrkeid ja ebamäärast logimist.

Abstraktsiooni kärpimine : Kustuta spekulatiivsed abielemendid ja kihid, kuni alles jääb ainult väikseim õige versioon.

Reaalsustestid : Lisage integratsiooni- ja ääremaatestid; need paljastavad kiiresti „puhta maailma” eeldused.

Milline näeb välja tehisintellekti kood? Infograafik

Tehisintellektiga toetatud kodeerimine on nüüd kõikjal ( Stack Overflow arendajate uuring 2025 ; GitHub Octoverse (28. oktoober 2025) ). Mõnikord on see suurepärane ja säästab teile terve pärastlõuna. Teinekord on see... kahtlaselt lihvitud, natuke üldine või "töötab", kuni keegi klõpsab ühel nupul, mida keegi pole testinud 🙃. See viib küsimuseni, mida inimesed koodiülevaadetes, intervjuudes ja privaatsetes otsesõnumites pidevalt tõstatavad:

Milline tehisintellekti kood kipub välja nägema

Otsene vastus on: see võib välja näha ükskõik milline. Aga on olemas mustreid – pehmeid signaale, mitte kohtusaali tõendeid. Mõtle sellele kui aimamisele, kas kook pärineb pagaritöökojast või kellegi köögist. Glasuur võib olla liiga täiuslik, aga mõned koduküpsetajad on lihtsalt kohutavalt head. Sama tunne.

Allpool on praktiline juhend tavaliste tehisintellekti sõrmejälgede äratundmiseks, nende tekkimise põhjuste mõistmiseks ja – mis kõige tähtsam – kuidas muuta tehisintellekti loodud kood koodiks, mida saate tootmises usaldada ✅.

🔗 Kuidas tehisintellekt trende ennustab?
Selgitab mustrite õppimist, signaale ja prognoosimist reaalses kasutuses.

🔗 Kuidas tehisintellekt anomaaliaid tuvastab?
Hõlmab kõrvalekallete tuvastamise meetodeid ja levinud ärirakendusi.

🔗 Kui palju vett tehisintellekt kasutab?
Jaotab andmekeskuse veekasutuse ja koolituse mõju.

🔗 Mis on tehisintellekti eelarvamus?
Määratleb eelarvamuste allikad, kahju ja praktilised viisid nende vähendamiseks.

1) Esiteks, mida inimesed mõtlevad, kui ütlevad „tehisintellekti kood” 🤔

Kui enamik inimesi ütleb „tehisintellekti kood”, peavad nad tavaliselt silmas ühte järgmistest:

  • Tehisintellekti assistendi poolt käsurealt loodud kood (funktsioon, veaparandus, ümbertegemine).

  • Automaatse täitmise poolt tugevalt täiendatud kood , kus arendaja küll küll koodi lükkas, aga koodi täielikult ei kirjutanud.

  • Tehisintellekti poolt ümber kirjutatud kood „puhastamise“, „jõudluse“ või „stiili“ eesmärgil.

  • Kood, mis näeb välja nagu pärineks tehisintellektilt, isegi kui see seda ei ole (seda juhtub rohkem, kui inimesed tunnistavad).

Ja siin on oluline punkt: tehisintellektil pole ühte kindlat stiili . Sellel on kalduvused . Paljud neist kalduvustest tulenevad püüdlustest olla laias laastus korrektne, laialdaselt loetav ja üldiselt ohutu... mis võib iroonilisel kombel muuta väljundi pisut ühetaoliseks.

2) Milline tehisintellekti kood tavaliselt välja näeb: kiire visuaal näitab 👀

Vastame pealkirjale otse: milline tehisintellekti kood kipub välja nägema.

Tihti näeb see välja nagu kood, mis on järgmine:

  • Väga „õpikulikult korras“ – ühtne taane, ühtne vormindus, kõik ühtne.

  • Neutraalselt paljusõnaline – palju „kasulikke” kommentaare, mis eriti ei aita.

  • Üleüldistatud – loodud käsitlema kümmet kujuteldavat stsenaariumi kahe reaalse asemel.

  • Veidi ülestruktureeritud - lisa abifunktsioonid, lisakihid, lisa abstraktsioon… nagu nädalavahetuse reisiks kolme kohvriga pakkimine 🧳.

  • Puudub ebamugav äärealade liim , mida päris süsteemid koguvad (funktsioonilipud, pärandvead, ebamugavad piirangud) ( Martin Fowler: Funktsioonide lülitamine sisse/välja ).

Aga ka – ja ma kordan seda ikka ja jälle, sest see on oluline – inimarendajad saavad absoluutselt ka nii kirjutada. Mõned meeskonnad nõuavad seda. Mõned inimesed on lihtsalt lahedad friigid. Ma ütlen seda armastusega 😅.

Seega tehisintellekti „märkamise” asemel on parem küsida: kas see kood käitub nii, nagu see oleks kirjutatud reaalses kontekstis? Kontekst on see, kus tehisintellekt sageli libastub.

3) „Ebameeldiva oru” sildid – kui on liiga puhas 😬

Tehisintellekti loodud koodil on sageli teatud „läikeline“ efekt. Mitte alati, aga tihti.

Levinud „liiga korralikud” signaalid

  • Igal funktsioonil on dokumentatsioon, isegi kui see on ilmselge.

  • Kõigil muutujatel on viisakad nimed, näiteks result , data , items , payload , responseData .

  • Pidevad veateated , mis kõlavad nagu käsiraamat: „Päringu töötlemisel ilmnes viga.”

  • Ühtsed mustrid omavahel mitteseotud moodulites , nagu oleks kõik kirjutanud sama hoolikas raamatukoguhoidja.

Peen äraandmine

Tehisintellekti kood võib tunduda nagu see oleks loodud õpetuse, mitte toote jaoks. See on nagu… aia värvimine ülikonnas. Väga korrektne, aga riietuse jaoks veidi vale tegevus.

4) Mis teeb tehisintellekti koodist hea versiooni? ✅

Pöörame asja teistpidi. Sest eesmärk ei ole "tehisintellekti tabamine", vaid "saadetise kvaliteet"

Hea versioon tehisintellektiga toetatud koodist on:

Teisisõnu, suurepärane tehisintellekti kood näeb välja selline, nagu… sinu meeskond selle kirjutas. Või vähemalt sinu meeskond võttis selle õigesti omaks. Nagu päästekoer, kes nüüd teab, kus diivan on 🐶.

5) Mustrite kogu: klassikalised tehisintellekti sõrmejäljed (ja miks need tekivad) 🧩

Siin on mustrid, mida olen tehisintellektiga toetatud koodibaasides korduvalt näinud – sealhulgas need, mida olen isiklikult puhastanud. Mõned neist on head. Mõned on ohtlikud. Enamik on lihtsalt… signaalid.

A) Ülekaitsev nullkontroll kõikjal

Näete järgmisi kihte:

  • kui x on null: tagasta ...

  • proovi/välja arvatud erand

  • mitu varuvaliku vaikesätet

Miks: Tehisintellekt püüab käitusaja vigu laialdaselt vältida.
Risk: See võib varjata tegelikke tõrkeid ja muuta silumise ebameeldivaks.

B) Üldised abifunktsioonid, mis ei teeni oma olemasolu välja

Nagu:

  • protsessi_andmed()

  • käepide_päring()

  • validate_sisend()

Miks: abstraktsioon tundub „professionaalne“.
Risk: tulemuseks on funktsioonid, mis teevad kõike, aga ei seleta midagi.

C) Kommentaarid, mis kordavad koodi

Näide energiast:

  • "Suurenda i 1 võrra"

  • "Saada vastus tagasi"

Miks: Tehisintellekt on treenitud selgitama.
Risk: kommentaarid mädanevad kiiresti ja tekitavad müra.

D) Ebajärjekindel detailide sügavus

Üks osa on ülidetailne, teine ​​osa on salapäraselt ebamäärane.

Miks: kiire fookuse nihkumine... või osaline kontekst.
Risk: nõrgad kohad peituvad ebamäärastes tsoonides.

E) Kahtlaselt sümmeetriline struktuur

Kõik järgib sama skeemi, isegi kui äriloogika ei peaks järgima.

Miks: tehisintellektile meeldib korrata tõestatud kujundeid.
Risk: nõuded ei ole sümmeetrilised – need on tükilised, nagu halvasti pakitud toidukaubad 🍅📦.

6) Võrdlustabel – kuidas hinnata, milline tehisintellekti kood tavaliselt välja näeb 🧪

Allpool on praktiline tööriistakomplektide võrdlus. Need ei ole "tehisintellekti detektorid", vaid pigem koodi reaalsuskontrollid . Sest parim viis kahtlase koodi tuvastamiseks on seda testida, üle vaadata ja surve all jälgida.

Tööriist/lähenemisviis Parim (publikule) Hind Miks see toimib (ja väike veidrus)
Koodi ülevaatuse kontrollnimekiri 📝 Meeskonnad, juhid, seenioride Tasuta Sunnib esitama „miks“ küsimusi; tabab üldisi mustreid... tundub vahel pirtsakas ( Google Engineering Practices: Code Review )
Üksuse + integratsioonitestid ✅ Kõik saatmisfunktsioonid Vabameelne Paljastab puuduvad servajuhtumid; tehisintellekti koodis puuduvad sageli tootmissisesed kinnitusdetailid ( Tarkvaratehnika Google'is: ühiktestimine ; praktiline testimispüramiid )
Staatiline analüüs / Linting 🔍 Standarditega meeskonnad Tasuta / Tasuline Märgib ebajärjekindlust; ei taba siiski "vale idee" vigu ( ESLint Docs ; GitHub CodeQL koodi skannimine )
Tüübikontroll (vajadusel) 🧷 Suuremad koodibaasid Tasuta / Tasuline Paljastab ebamäärased andmekujud; võib olla tüütu, aga seda väärt ( TypeScript: staatiline tüübikontroll ; mypy dokumentatsioon )
Ohu modelleerimine / kuritarvitamise juhtumid 🛡️ Turvalisusele orienteeritud meeskonnad Tasuta Tehisintellekt võib ignoreerida vastaspoolte kasutamist; see sunnib seda valguse kätte ( OWASP Threat Modeling Cheat Sheet )
Toimivusprofiilide koostamine ⏱️ Tagaserveri, andmemahukas töö Tasuta / Tasuline Tehisintellekt saab lisada täiendavaid tsükleid, konversioone ja jaotusi – profileerimine ei valeta ( Pythoni dokumentatsioon: The Python Profilers )
Domeenikesksed testandmed 🧾 Toode + inseneriteadus Tasuta Kiireim „lõhnatest“; võltsandmed tekitavad võltskindlust ( Pytesti seadmete dokumendid )
Paari ülevaade / läbimäng 👥 Mentorlus + kriitilised suhtekorraldused Tasuta Palu autoril valikuid selgitada; tehisintellekti-laadsel koodil puudub sageli lugu ( Software Engineering at Google: Code Review )

Jah, see „Hind“ veerg on natuke tobe – sest kallis osa on tavaliselt tähelepanu, mitte tööriistad. Tähelepanu maksab… kõik 😵💫.

7) Struktuurilised vihjed tehisintellektiga toetatud koodis 🧱

Kui soovid tehisintellekti koodi välimusele sügavamat vastust saada, siis vaata lähemalt struktuuri.

1) Nimetamine, mis on tehniliselt korrektne, aga kultuuriliselt vale

Tehisintellekt kipub valima nimesid, mis on paljudes projektides „turvalised“. Kuid meeskonnad arendavad välja oma keelekasutuse:

  • Sina nimetad seda AccountId-ks , tehisintellekt aga userId-ks .

  • Sina nimetad seda LedgerEntryks , tehisintellekt aga tehinguks .

  • Sina nimetad seda FeatureGate'iks , see aga configFlag'iks .

Miski sellest pole "halb", aga see on vihje, et autor ei elanud teie domeenis kaua.

2) Kordamine ilma taaskasutamata või taaskasutamine ilma põhjuseta

Tehisintellekt mõnikord:

  • kordab sarnast loogikat mitmes kohas, kuna see ei "mäleta" kogu repo konteksti korraga või

  • sunnib taaskasutamist abstraktsioonide kaudu, mis säästavad küll kolm rida, aga maksavad hiljem kolm tundi.

See ongi see vahetus: vähem trükkimist nüüd, rohkem mõtlemist hiljem. Ja ma pole alati kindel, kas see on hea vahetus, ma arvan... oleneb nädalast 😮💨.

3) „Täiuslik” modulaarsus, mis eirab tegelikke piire

Näete koodi, mis on jagatud kenasti mooduliteks:

  • valideerijad/

  • teenused/

  • käitlejad/

  • utiliidid/

Kuid piirid ei pruugi teie süsteemi õmblustega sobida. Inimene kipub arhitektuuri valupunkte peegeldama. Tehisintellekt kipub peegeldama korrastatud diagrammi.

8) Veakäsitlus – kus tehisintellekti kood muutub… libedaks 🧼

Veakäsitlus on üks olulisemaid märke, sest see nõuab otsustusvõimet , mitte ainult korrektsust.

Mustrid, mida jälgida

Milline hea välja näeb

Väga inimlik omadus on kirjutada veateade, mis on veidi ärritunud. Mitte alati, aga sa tead seda, kui seda näed. Tehisintellekti veateated on sageli rahulikud nagu meditatsioonirakendus.

9) Äärmuslikud juhtumid ja toote tegelikkus - „puuduv teravus“ 🧠🪤

Päris süsteemid on korrastamata. Tehisintellekti väljunditel see tekstuur sageli puudub.

Näited meeskondade „tahast“ olemusest:

  • Funktsioonilipud ja osalised väljalasked ( Martin Fowler: Funktsioonide vahetamine/sisselülitamine )

  • Tagasiühilduvuse häkkimised

  • Imelikud kolmanda osapoole ajalõpud

  • Pärandandmed, mis rikuvad teie skeemi

  • Ebajärjekindel suurtähtede, kodeeringu või lokaadiprobleemid

  • Ärireeglid, mis tunduvad meelevaldsed, kuna nad on meelevaldsed

Tehisintellekt saab hakkama ääremaa juhtumitega, kui seda öelda, aga kui te neid otseselt ei lisa, loob see sageli „puhta maailma“ lahenduse. Puhtad maailmad on ilusad. Puhtaid maailmu ka ei eksisteeri.

Kergelt pingutatud metafoor: tehisintellekti kood on nagu uhiuus käsn – see pole veel köögikatastroofe endasse imenud. Nii, ma ütlesin seda 🧽. Mitte mu parim töö, aga umbes nii on.

10) Kuidas panna tehisintellektiga toetatud kood tunduma inimlikuna – ja mis veelgi olulisem, olema usaldusväärne 🛠️✨

Kui kasutate koodi mustandite loomiseks tehisintellekti (ja paljud inimesed seda teevad), saate väljundit mõne harjumusega oluliselt paremaks muuta.

A) Määrake oma piirangud kohe alguses

Selle asemel, et kirjutada funktsioon, mis…, proovi:

  • eeldatavad sisendid/väljundid

  • jõudlusvajadused

  • veapoliitika (tõus, tagastatava tulemuse tüüp, logi + ebaõnnestumine?)

  • nimetamiskonventsioonid

  • olemasolevad mustrid teie repositooriumis

B) Küsi kompromisse, mitte ainult lahendusi

Küsi koos:

  • "Tooge kaks lähenemisviisi ja selgitage kompromisse."

  • „Mida te siin tegemast väldiksite ja miks?“

  • "Kus see tootmises katkeb?"

Tehisintellekt on parem, kui sunnid seda riskidele mõtlema.

C) Pange see koodi kustutama

Tõsiselt. Küsi:

  • "Eemalda kõik ebavajalikud abstraktsioonid."

  • "Lõika see väikseima õige versioonini."

  • "Millised osad on spekulatiivsed?"

Tehisintellekt kipub liitma. Suured insenerid kipuvad lahutama.

D) Lisa testid, mis peegeldavad tegelikkust

Mitte ainult:

  • "tagastab oodatava väljundi"

Aga:

Kui sa midagi muud ei tee, siis tee seda. Testid on valedetektor ja neid ei huvita, kes koodi kirjutas 😌.

11) Lõppsõna + kiire kokkuvõte 🎯

Niisiis, milline tehisintellekti kood tavaliselt välja näeb : see on sageli puhas, üldine, pisut üleliia selgitatud ja pisut liiga innukas, et meeldida. Suurem „ütlus“ ei ole vormindamine ega kommentaarid – see on konteksti puudumine: domeeninimed, kohmakad äärmusjuhtumid ja arhitektuurispetsiifilised valikud, mis tulenevad süsteemiga koos elamisest.

Kiire kokkuvõte

  • Tehisintellekti kood ei ole ühesugune, kuid see on sageli korrapärane, paljusõnaline ja liiga üldine.

  • Parim signaal on see, kas kood peegeldab teie tegelikke piiranguid ja toote visadust.

  • Ära keskendu avastamisele – keskendu kvaliteedile: testid, ülevaade, selgus ja kavatsus ( Google'i inseneripraktikad: koodi ülevaade ; tarkvaratehnika Google'is: ühiktestimine ).

  • Tehisintellekt sobib esimeseks mustandiks. Viimaseks mustandiks mitte. See ongi kogu mängu olemus.

Ja kui keegi üritab sind tehisintellekti kasutamise pärast häbistada, siis ausalt öeldes... ignoreeri seda müra. Lihtsalt saada korralikku koodi. Korralik kood on ainus paindlikkus, mis kestab 💪🙂.

KKK

Kuidas teha kindlaks, kas koodi kirjutas tehisintellekt?

Tehisintellektiga toetatud kood tundub sageli pisut liiga korralik, peaaegu „õpikulik“: järjepidev vormindus, ühtne struktuur, üldised nimetused (nt andmed , üksused , tulemus ) ja ühtlased, lihvitud veateated. See võib kaasneda ka hulga dokumente või kommentaare, mis lihtsalt kordavad ilmset loogikat. Suurem signaal pole stiil – see on loodusliku sitkuse puudumine: valdkonnakeel, repo konventsioonid, kohmakad piirangud ja süsteemide püsivust tagav äärealade liim.

Millised on tehisintellekti tekitatud veakäsitluses suurimad ohumärgid?

Jälgige laiaulatuslikke erandite püüdmisi ( välja arvatud erand ), alla neelatud tõrkeid, mis vaikselt vaikeväärtused tagastavad, ja ebamäärast logimist, näiteks „Tekkis viga“. Need mustrid võivad varjata tegelikke vigu ja muuta silumise ebameeldivaks. Tugev veakäsitlus on spetsiifiline, tegutsemisaldis ja sisaldab piisavalt konteksti (ID-sid, sisendeid, olekut) ilma tundlikke andmeid logidesse salvestamata. Ülekaitsev lähenemine võib olla sama riskantne kui alakaitsev lähenemine.

Miks tundub tehisintellekti kood sageli üleprojekteeritud või üleabstraktiivne?

Tehisintellekti tavaline kalduvus on „professionaalne välja näha“, lisades abifunktsioone, kihte ja katalooge, mis ennustavad hüpoteetilisi tulevikke. Näete üldisi abilisi nagu process_data() või handle_request() ja selgeid moodulipiire, mis sobivad diagrammiga rohkem kui teie süsteemi õmblustega. Praktiline lahendus on lahutamine: kärpige spekulatiivseid kihte, kuni teil on väikseim õige versioon, mis vastab teie nõuetele, mitte neile, mida võite hiljem pärida.

Milline näeb välja hea tehisintellektiga toetatud kood päris repositooriumis?

Parim tehisintellektiga toetatud kood kõlab nii, nagu oleks teie meeskond selle endale kuulutanud: see kasutab teie valdkonna termineid, vastab teie andmekujudele, järgib teie repositooriumi mustreid ja on kooskõlas teie arhitektuuriga. See kajastab ka teie riske – õnnelikest radadest kaugemale – sisukate testide ja teadliku ülevaatamise abil. Eesmärk ei ole tehisintellekti "peita", vaid siduda mustand kontekstiga, et see käituks nagu tootmiskood.

Millised testid paljastavad "puhta maailma" eeldused kõige kiiremini?

Integratsioonitestid ja äärmusjuhtude testid kipuvad probleeme kiiresti paljastama, kuna tehisintellekti väljund eeldab sageli ideaalseid sisendeid ja ennustatavaid sõltuvusi. Kasutage valdkonnakeskseid kinnitusi ja lisage oluliste kohtade hulka veidrad sisendid, puuduvad väljad, osalised tõrked, ajalõpud ja samaaegsus. Kui koodil on ainult õnneliku tee ühiktestid, võib see tunduda korrektne, kuid ikkagi ebaõnnestuda, kui keegi vajutab tootmises ühte testimata nuppu.

Miks tunduvad tehisintellekti kirjutatud nimed "tehniliselt korrektsed, aga kultuuriliselt valed"?

Tehisintellekt valib sageli turvalisi ja üldisi nimesid, mis toimivad paljudes projektides, kuid meeskonnad arendavad aja jooksul välja spetsiifilise dialekti. Nii tekivadki ebakõlad nagu userId vs AccountId või transaction vs LedgerEntry , isegi kui loogika on korras. See nimemuutus viitab sellele, et koodi ei kirjutatud teie domeeni ja piirangute "sees" elades.

Kas koodiülevaadetes on mõtet proovida tehisintellekti koodi tuvastada?

Tavaliselt on kvaliteedi ülevaatamine produktiivsem kui autorluse kontrollimine. Ka inimesed suudavad kirjutada puhast ja ülekommenteeritud koodi ning tehisintellekt suudab juhendamise korral luua suurepäraseid mustandeid. Detektiivi mängimise asemel tuleks keskenduda disaini põhjendustele ja tõenäolistele ebaõnnestumistele tootmises. Seejärel valideerige testide, arhitektuuri ühtlustamise ja veadistsipliini abil. Survetestimine on parem kui vibratsioonitestimine.

Kuidas suunata tehisintellekti nii, et kood tuleks usaldusväärsem?

Alusta kohe alguses piirangute sisestamisega: oodatavad sisendid/väljundid, andmekujud, jõudlusvajadused, veapoliitika, nimetamiskonventsioonid ja olemasolevad mustrid sinu repositooriumis. Küsi kompromisse, mitte ainult lahendusi – „Kus see katki läheb?“ ja „Mida sa väldiksid ja miks?“. Lõpuks sunni lahutamist: käsi tal eemaldada ebavajalik abstraktsioon ja luua väikseim õige versioon enne, kui midagi laiendad.

Viited

  1. Stack Overflow - Stack Overflow arendaja uuring 2025 - survey.stackoverflow.co

  2. GitHub – GitHub Octoverse (28. oktoober 2025) – github.blog

  3. Google – Google'i inseneritavad: koodi standardi ülevaade – google.github.io

  4. Abseil – Google'i tarkvaratehnika: üksuse testimine – abseil.io

  5. Abseil - Tarkvaratehnika Google'is: Koodiülevaade - abseil.io

  6. Abseil – Google'i tarkvaratehnika: suurem testimine – abseil.io

  7. Martin Fowler - Martin Fowler: Erifunktsioonide lülitid - martinfowler.com

  8. Martin Fowler - Praktilise testi püramiid - martinfowler.com

  9. OWASP - OWASP ohtude modelleerimise spikker - cheatsheetseries.owasp.org

  10. OWASP - OWASP logimise spikker - cheatsheetseries.owasp.org

  11. OWASP - OWASP 10 parimat 2025. aastal: turvalogimise ja teavituste tõrked - owasp.org

  12. ESLint - ESLinti dokumendid - eslint.org

  13. GitHubi dokumendid – GitHubi CodeQL-i koodi skannimine – docs.github.com

  14. TypeScript - TypeScript: staatiline tüübikontroll - www.typescriptlang.org

  15. mypy - mypy dokumentatsioon - mypy.readthedocs.io

  16. Python - Pythoni dokumendid: Pythoni profiilijad - docs.python.org

  17. pytest - pytesti võistluskalendri dokumendid - docs.pytest.org

  18. Pylint - Pylinti dokumendid: tühi-välja arvatud - pylint.pycqa.org

  19. Amazon Web Services - AWS-i ettekirjutusjuhised: proovige uuesti taganemisega - docs.aws.amazon.com

  20. Amazon Web Services - AWS Builders' Library: ajalõpud, uuestikatsed ja tagasilangus jitteri abil - aws.amazon.com

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist

Tagasi blogisse