في عالم البرمجة الحديث، يمثل الذكاء الاصطناعي (AI) ثورة حقيقية، حيث استطاعت نماذج البرمجة المتطورة الوصول إلى مستويات تتجاوز المعايير المرجعية البشرية في كثير من مجالات التطوير. لكن هل يكفي النجاح في اختبارات الأداء لضمان برمجيات سهلة الصيانة؟

الحقيقة هي أن النجاح في الاختبارات البرمجية ليس ضمانًا كافيًا للحفاظ على جودة البرمجيات. يدخل هنا مفهوم "برمجة النبض" (vibe coding)، الذي يضيف فروعًا وشروطًا احتياطية جديدة بسرعة أكبر من إزالة الشيفرات القديمة غير المستخدمة. وبالتالي، فإن السؤال البالغ الأهمية هو: كيف يمكن لنظام الذكاء الاصطناعي إدارة عملية حذف الشيفرات البرمجية بكفاءة، خاصة عندما تكون القدرة على التحقق من التنفيذ محدودة؟

تقدم الدراسة الأخيرة رؤية جديدة عبر صياغة مشكلة إزالة الشيفرات المكررة كجدولة اقتراحات. حيث يقوم نظام منظم بترتيب أولويات الشيفرات المرشحة للحذف، ويتم قبول أول مرشح يمر عبر مجموعة الاختبارات. ما أثبتته الدراسة هو أن ترتيب الاقتراحات، وليس ثقة النموذج، هو السطح الذي يمكن للنشر التصرف عليه.

تنفذ أداة "DELSCOUT" جدولتين مختلفتين تزودان بنموذج تحقق قوي. في الوضع الأمثل، يتم تخصيص عدد محدد من الفرص لاختبار المرشحات، مما يعزز تغطية الحذف المتحقق بنسبة 9.5% مقارنة بالنماذج الثابتة، دون زيادة ملحوظة في عدد استدعاءات التحقق.

إن النتيجة النهائية لهذه الأبحاث هي تقسيم عمل يمكن تدقيقه. تساهم النماذج في توسيع البحث عن الشيفرات القابلة للإزالة، بينما يحدد الترتيب الأضرار الناتجة عن المقترحات التي تم تصنيفها بشكل خاطئ، حيث يحتفظ التنفيذ بسلطته على كل إزالة يتم الموافقة عليها.