AI Slop (szum AI i zaśmiecanie bazy kodu)

1. Przegląd koncepcji i problem systemowy

Wraz ze spadkiem kosztu generowania tokenów branża developerska stanęła w obliczu nowej formy inflacji: koszt stworzenia linii kodu spadł niemal do zera, podczas gdy koszt jego zrozumienia, przeglądu, utrzymania i debugowania pozostał niezmieniony lub nawet wzrósł.

AI Slop (Sztuczny szlak) to kod, który jest składniowo poprawny i przechodzi nawet podstawowe testy, ale jest koncepcyjnie szkodliwy dla zdrowia projektu. Charakteryzuje się on:

• Nieuzasadnionym rozrostem rozmiaru plików (Code Bloat).
• Ukrytym duplikowaniem istniejącej funkcjonalności.
• Maskowanymi przypadkami brzegowymi (Edge Cases), które model „wygładził” niebezpiecznymi wartościami fallbackowymi zamiast rzucać właściwe wyjątki.
• Utratą jednolitego stylu inżynierskiego projektu.

Jeśli do repozytorium trafi 30% AI Slop, baza kodu staje się niepodtrzymywalna w ciągu 6–12 miesięcy: nowe funkcje psują stare w nieprzewidywalny sposób, czas onboardingu nowych developerów rośnie trzykrotnie, a prędkość rozwoju spada do zera.

Cykl narastania „slopu” w repozytorium (The Slop Accumulation Cycle):
[Zadanie] ---> [Prompt bez kontekstu] ---> [LLM generuje 200 linii boilerplate’u]
                                                       |
                                                       v
[Wygenerowano duplikat funkcji formatCurrency] <--- [Ślepe kliknięcie „Accept”]
                                                       |
                                                       v
[Rozrost paczki + Nowe ukryte błędy] <--- [Merge do main bez głębokiego code review]

2. Taksonomia architektoniczna i model mentalny

Rodzaje szlaku powstające w procesie bezrefleksyjnej generacji kodu:

1. Slop ponownego wynalazku (Reinvention Slop):
   • Model nie widzi istniejących helperów cn() (clsx/tailwind-merge) ani formatDate() i generuje własną lokalną implementację bezpośrednio wewnątrz komponentu.
   • Wynik: 20 różnych realizacji tej samej operacji z odmiennym zachowaniem przy wartościach null lub undefined.
2. Slop defensywnego programowania (Defensive Bloat):
   • Nieskończone sprawdzenia typu if (user && user.profile && user.profile.settings) w środowiskach obsługujących nowoczesne opcjonalne łańcuchy (Optional Chaining user?.profile?.settings) lub ścisłe typowanie TypeScript, które już gwarantuje obecność pola.
3. Slop ukrywania błędów (Silent Failure Slop):
   • Obejmowanie każdego potencjalnego problemu konstrukcją try { ... } catch (e) { return null; }.
   • Wynik: system nie upada, ale cicho traci dane lub generuje zniekształcone raporty, zamieniając debugowanie na produkcji w koszmar.
4. Slop komentarzy (Comment Hallucination):
   • Dziesiątki linii oczywistych komentarzy dodawanych przez model dla objętości, tworzących szum wizualny i utrudniających dostrzeżenie esencji algorytmu.

3. Pipeline techniczny i mechanika wewnętrzna

Porównanie: Zdrowy kod kontra AI Slop

Przykład AI Slop (Rozrośnięty, niebezpieczny, gadatliwy):

// Function to calculate user discount based on type
export function calculateDiscount(user: any): number {
  // Check if user is not null and not undefined
  if (user !== null && user !== undefined) {
    // Check if user role exists
    if (user.role) {
      if (user.role === 'VIP') {
        return 0.20; // 20 percent discount
      } else if (user.role === 'PREMIUM') {
        return 0.15; // 15 percent discount
      } else {
        return 0.05; // standard discount
      }
    } else {
      return 0;
    }
  } else {
    // Return zero if user does not exist
    return 0;
  }
}

Idiomatyczny kod produkcyjny (Czysty, ściśle typowany):

export type UserRole = "VIP" | "PREMIUM" | "STANDARD";

const ROLE_DISCOUNTS: Record<UserRole, number> = {
  VIP: 0.20,
  PREMIUM: 0.15,
  STANDARD: 0.05,
} as const;

export function getDiscount(role?: UserRole): number {
  return role ? ROLE_DISCOUNTS[role] ?? 0 : 0;
}

Automatyczny filtr odrzucania duplikatów w CI/CD

Wdrożenie sprawdzania bazy kodu pod kątem kopiuj-wklej za pomocą jscpd:

// .jscpd.json
{
  "threshold": 1.5,
  "reporters": ["console", "json"],
  "ignore": ["**/node_modules/**", "**/dist/**", "**/*.d.ts"],
  "absolute": true,
  "minTokens": 35,
  "minLines": 5
}

Jeśli commit wygenerowanego kodu podnosi procent duplikacji powyżej 1,5%, pipeline automatycznie blokuje PR.

4. Praktyczne scenariusze inżynierskie na produkcji

01. Odciążenie bundle'a klienckiego po oczyszczeniu ze szlaku

Zespół zauważył, że rozmiar JavaScriptowego bundle'a Next.js wzrósł z 180 KB do 950 KB w ciągu 3 miesięcy aktywnego korzystania z agentów. Audyt wykazał, że agenci zainstalowali 4 różne biblioteki do obsługi dat (date-fns, dayjs, moment, luxon) oraz 3 różne pakiety ikon. Po usunięciu duplikatów i ujednoliceniu poprzez import bazowy, bundle skurczył się o 70%.

02. Zapobieganie wyciekowi pamięci przez spaghetti-listenerów zdarzeń

Agent wygenerował komponent z subskrypcją WebSocket, ale wewnątrz useEffect zapomniał o funkcji czyszczącej (return () => socket.off(...)). Zamiast tego model dodał sprawdzenie flagi isMounted. Przy przełączaniu tras stare listenery nadal wisiały w pamięci, co doprowadziło do awarii karty przeglądarki przez przepełnienie heap po 20 minutach sesji.

03. Czyszczenie bazy danych z halucynowanych kolumn

Developer ślepo zastosował migrację Prisma zaproponowaną przez model. Model dodał do tabeli 8 nadmiarowych pól „na przyszłość” z niepoprawnymi typami (varchar zamiast jsonb). Architekt wykrył to na etapie code review, usunął migrację przed jej deployem na staging i przywrócił model do minimalistycznej schemy.

5. Miny, typowe błędy i bezpieczeństwo

1. Iluzja kompletności dzięki komentarzom: Obecność ładnych komentarzy JSDoc przed funkcją stwarza mylne wrażenie wysokiej jakości, podczas gdy w środku znajduje się wolny algorytm lub niebezpieczna interpolacja stringów w SQL. Oceniaj wyłącznie logikę i złożoność obliczeniową, a nie wygląd zewnętrzny.
2. Halucynacja zależności (Package Slop / Slop Typosquatting): Model może wygenerować import nieistniejącego pakietu NPM (np. import { superValidator } from 'fast-super-validator'). Atakujący celowo rejestrują takie częste halucynacje w npmjs.com i umieszczają tam złośliwy kod, który wykonuje się podczas npm install na Twoim serwerze.
3. Utrata invariantów architektonicznych systemu: Jeśli projekt budowano zgodnie z zasadami Clean Architecture lub FSD (Feature-Sliced Design), niesterowany agent szybko rozmazuje granice warstw, wywołując metody bazy danych bezpośrednio z komponentów UI. Wymagaj od agentów surowego przestrzegania reguł projektowych poprzez .cursorrules lub AGENTS.md.