AI a Programowanie – Prototypowanie i Rozumienie Kodu

Podsumowanie AI

• Temat: AI a Programowanie – Prototypowanie i Rozumienie Kodu
• Cel materiału: Praktyczne warsztaty z AI-wspomaganego programowania dla studentów ze wszystkich kierunków. Od prototypu 'zero to script' przez debugging po code review bezpieczeństwa — nawet bez wcześniejszego doświadczenia w kodowaniu. Moduł zamknięcia pokazuje, jak humanista może sprawnie korzystać z kodu bez bycia programistą.
• Jak pracować z treścią: czytaj sekcjami, testuj zrozumienie pytaniami i wykorzystuj AI do aktywnej powtórki.

Wprowadzenie

To ostatni moduł warsztatów. Celowo zostawiliśmy go na koniec — bo łączy wszystko czego się nauczyłeś/nauczyłaś: rozumienie LLM, dobór narzędzi, prompt engineering i krytyczną ocenę wyników AI.

Programowanie z AI w 2026 roku to nie jest już "domena informatyków". Andrej Karpathy — jeden z twórców GPT — ukuł w 2025 roku termin "vibe coding": opisujesz co chcesz zbudować w języku naturalnym, AI pisze kod, Ty weryfikujesz efekt. Dla studenta zarządzania informacją, bibliotekoznawstwa czy komunikacji społecznej oznacza to: możesz napisać skrypt do analizy danych z ankiety, zautomatyzować pobieranie artykułów z bazy, lub zbudować prosty dashboard — bez znajomości składni języka programowania.

Ale jest granica. "Vibe coding" działa świetnie dla jednorazowych skryptów i prototypów. Zawodzi dla systemów produkcyjnych, kodu bezpieczeństwo-krytycznego i projektów wymagających skalowalności. Ten moduł uczy Cię zarówno możliwości, jak i granic — żebyś nigdy nie wpadł/wpadła w pułapkę bezrefleksyjnego kopiowania kodu od AI.

1. Ekosystem narzędzi AI dla programistów (marzec 2026)

1.1 Trzy kategorie narzędzi

AI-native IDE — kompletne środowiska programistyczne zbudowane wokół AI:

• Cursor AI — fork VS Code z głęboką integracją AI; najlepszy do złożonych projektów wieloplikowych
• Windsurf (dawniej Codeium) — alternatywa dla Cursor, po rebrandingu i nowym cenniku (marzec 2026)

Pluginy do istniejących edytorów — AI jako rozszerzenie:

• GitHub Copilot — działa w VS Code, JetBrains, Neovim, Visual Studio, Xcode; najszersza kompatybilność
• Continue.dev — open-source plugin do VS Code i JetBrains; BYOK (Bring Your Own Key)

Narzędzia CLI i specjalistyczne:

• Claude Code — terminal CLI od Anthropic; głęboka analiza całych repozytoriów
• Replit — środowisko online; zero instalacji, idealne dla początkujących
• Aider — open-source CLI; pair programming z dowolnym modelem przez API

1.2 Tabela porównawcza narzędzi (źródło: oficjalne strony, marzec 2026)

Dla uczestników bez doświadczenia: Zacznij od Replit — działa w przeglądarce, nie wymaga instalacji czegokolwiek. Po warsztatach możesz przejść do VS Code + GitHub Copilot Free.

1.3 GitHub Copilot — najszersza kompatybilność

GitHub Copilot to najbardziej rozbudowane narzędzie jeśli chodzi o wsparcie edytorów. Działa jako plugin bez potrzeby zmiany IDE. Od lutego 2026 wszystkie płatne plany mają dostęp do Claude Sonnet 4.6 i GPT-5.4 jako modeli alternatywnych — nie tylko do autouzupełniania, ale i do zadań agentowych.

Wyniki SWE-Bench Verified (marzec 2026): Copilot rozwiązuje 56% zadań, Cursor 51.7%. Copilot jest też szybszy o 30% w typowych benchmarkach. Różnica w efektywności ujawnia się przy złożonych projektach wieloplikowych — tam Cursor ma przewagę.

1.4 Cursor AI — dla zaawansowanych projektów

Cursor to fork VS Code z AI wbudowanym na poziomie architektury — nie jako plugin. Kluczowe funkcje:

• Composer — edycja wielu plików jednocześnie na podstawie jednego opisu
• Codebase-aware chat — model "czyta" cały projekt, nie tylko aktualny plik
• Tab prediction — przewiduje Twój następny edit na podstawie kontekstu
• Privacy mode — kod nie jest wysyłany na zewnątrz ani używany do trenowania

Po zmianie systemu rozliczeń w czerwcu 2025 (z 500 zapytań/mies. na system kredytowy) część deweloperów przeszła do Windsurfa. Plan Pro ($20/mies.) daje ok. 225 premium zapytań/mies.

2. Vibe coding — filozofia i granice

2.1 Co to jest vibe coding?

Termin "vibe coding" (Andrej Karpathy, luty 2025) opisuje podejście do programowania przez opis w języku naturalnym: mówisz AI co chcesz osiągnąć, model generuje kod, Ty patrzysz czy wynik jest poprawny — niekoniecznie rozumiejąc każdą linię.

To nie jest pejoracja — to realna zmiana w sposobie pracy. Badanie Stack Overflow (2025) pokazuje, że ponad 70% deweloperów regularnie korzysta z AI do pisania kodu; dla niedevloperów (analitycy, badacze, menedżerowie) otwiera się możliwość automatyzacji bez lat nauki.

2.2 Kiedy vibe coding działa

2.3 Zasady bezpiecznego vibe codingu

Zasada 1 — Opisuj wejście i wyjście, nie algorytm: Zamiast: "Napisz pętlę for z filtrowaniem..." Użyj: "Wczytaj plik CSV, usuń wiersze gdzie kolumna 'status' = 'nieaktywny', zapisz do nowego pliku CSV."

Zasada 2 — Zawsze uruchom kod w izolacji: Nigdy nie uruchamiaj kodu od AI bezpośrednio na danych produkcyjnych. Najpierw przetestuj na małej próbce lub w Replit.

Zasada 3 — Poproś o wyjaśnienie: Po każdym wygenerowanym kodzie dodaj: "Wyjaśnij mi każdy krok co najważniejsze sekcje robią, jednym zdaniem każda."

Zasada 4 — Weryfikuj wyniki, nie tylko kod: Sprawdź czy output jest logicznie poprawny — nie tylko czy kod się uruchomił bez błędów.

3. Prototypowanie z AI — metodologia krok po kroku

3.1 Pięć kroków prototypowania

KROK 1 — PRECYZYJNY OPIS PROBLEMU
Zdefiniuj:
  - Co jest wejściem? (plik CSV, URL, tekst, dane z API)
  - Co jest wyjściem? (plik, wykres, tabela, raport)
  - Jakie ograniczenia? (języka programowania, bibliotek, systemu)

KROK 2 — SZKIELET KODU Z KOMENTARZAMI
Poproś o kod z komentarzami wyjaśniającymi każdy blok.
Model często generuje "czysty" kod bez komentarzy —
zawsze proś o polskie komentarze jeśli uczysz się składni.

KROK 3 — URUCHOMIENIE I OBSERWACJA BŁĘDÓW
Uruchom kod. Skopiuj PEŁNY komunikat błędu.
Nie panikuj — błędy to informacja, nie porażka.

KROK 4 — ITERACYJNA NAPRAWA
Wklej błąd do AI z kontekstem: co próbowałeś zrobić,
co otrzymałeś, jaki jest pełny komunikat.

KROK 5 — WERYFIKACJA LOGICZNA
Sprawdź wynik na małej próbce ręcznie.
Czy wyniki są sensowne? Czy liczby się zgadzają?

3.2 Prompt do "Zero to Script" — analiza CSV

Poniższy prompt działa nawet jeśli nigdy nie pisałeś/pisałaś kodu Python:

Jestem studentem/studentką bez znajomości programowania.
Mam plik CSV z wynikami ankiety. Plik nazywa się "ankieta.csv".
Kolumny: ID, Pytanie1, Pytanie2, Pytanie3 (wartości 1-5).

Napisz skrypt Python który:
1. Wczytuje plik ankieta.csv
2. Oblicza średnią dla każdego pytania
3. Wypisuje wyniki w formacie:
   "Pytanie1: średnia = 3.8 (na 5)"
4. Zapisuje wyniki do pliku "wyniki.txt"

Wymagania:
- Dodaj polskie komentarze po każdej linii wyjaśniające co robi
- Kod powinien działać w Python 3
- Użyj tylko biblioteki wbudowane (csv) lub pandas jeśli konieczne
- Jeśli plik nie istnieje, wypisz czytelny błąd po polsku

3.3 Prompt do tworzenia prostej strony webowej

Stwórz jedną stronę HTML z czystym CSS i JavaScript (wszystko w jednym pliku).
Strona ma być: stroną główną projektu "AI Literacy Lab" na UJ.

Zawartość:
- Nagłówek z logo (placeholder) i tytułem "AI Literacy Lab"
- Sekcja "O projekcie" (2-3 zdania placeholder)
- Grid z 5 kartami modułów (Moduł 1-5, każda z tytułem i opisem)
- Stopka z logotypem ID.UJ (placeholder)

Wymagania techniczne:
- Responsywny (działa na telefonie i laptopie)
- Ciemny motyw (tło #0a0a0a, tekst biały)
- Bez zewnętrznych bibliotek CSS/JS
- Komentarze HTML wyjaśniające każdą sekcję

4. Debugging z AI — strategia "Rubber Duck++"

4.1 Klasyczny rubber duck debugging

Technika "rubber duck debugging" (gumowej kaczki) mówi: wytłumacz swój kod fikcyjnemu słuchaczowi, który nic nie wie. W trakcie wyjaśniania często sam/a zauważasz błąd.

Z LLM jest to "Rubber Duck++" — model nie tylko słucha, ale aktywnie analizuje i sugeruje rozwiązania.

4.2 Anatomia dobrego opisu błędu

Słaby opis błędu:

"Kod nie działa, pomóż mi"

Dobry opis błędu (schemat CCEE):

[CONTEXT — co próbuję osiągnąć]
Piszę skrypt Python który wczytuje plik CSV i oblicza średnie.

[CODE — co napisałem/napisałam]
import csv
with open('dane.csv') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row[0] + row[1])

[ERROR — pełen komunikat błędu]
TypeError: can only concatenate str (not "int") to str
File "skrypt.py", line 6, in <module>

[EXPECTED — czego oczekuję]
Chcę wypisać wartości z pierwszej i drugiej kolumny obok siebie.

4.3 Najczęstsze błędy Python i jak je czytać

4.4 Prompt do debugowania

Piszę skrypt Python który [CEL SKRYPTU].
Napotkałem/napotkałam następujący błąd:

BŁĄD:
[wklej pełen komunikat błędu ze stacktrace]

KOD:
[wklej fragment kodu gdzie jest błąd, z kilkoma liniami kontekstu]

CO PRÓBOWAŁEM:
[opisz co już próbowałeś/próbowałaś — nawet jeśli to "nic"]

Proszę:
1. Wyjaśnij co oznacza ten błąd (po polsku, po ludzku)
2. Wskaż dokładnie gdzie jest problem
3. Pokaż poprawiony fragment z komentarzem co zmieniłeś/zmieniłaś

5. Code Review z AI — checklist bezpieczeństwa

5.1 Dlaczego kod AI może być niebezpieczny?

Modele językowe generują kod który wygląda poprawnie — ale mogą zawierać:

• Hardcoded credentials — klucze API, hasła wpisane bezpośrednio w kod
• SQL injection — podatność na wstrzyknięcia złośliwych zapytań SQL
• Path traversal — możliwość dostępu do plików poza docelowym folderem
• Brak walidacji inputu — użytkownik może wpisać co chce, łącznie ze złośliwym kodem
• Przestarzałe biblioteki — model może sugerować funkcje z usuniętych wersji
• Phantom API — halucynacje: model wymyśla nieistniejące funkcje bibliotek

5.2 Checklist bezpieczeństwa (10 punktów)

Przed użyciem kodu wygenerowanego przez AI sprawdź:

□ 1. CREDENTIALS: Czy w kodzie są wpisane hasła, klucze API,
      tokeny? (szukaj: password=, api_key=, SECRET=)

□ 2. USER INPUT: Czy dane od użytkownika są walidowane
      przed użyciem? (formularze, argumenty CLI, pliki)

□ 3. SQL/QUERY INJECTION: Jeśli kod robi zapytania do bazy —
      czy używa parametryzowanych zapytań, nie f-stringów?

□ 4. FILE PATHS: Czy ścieżki plików są sanitizowane?
      (os.path.join, nie string concatenation)

□ 5. ERROR HANDLING: Czy błędy są obsługiwane?
      (try/except) Czy błędy nie ujawniają wrażliwych informacji?

□ 6. IMPORTS: Czy wszystkie importowane biblioteki istnieją?
      Sprawdź każdą w PyPI (pypi.org)

□ 7. DEPRECATED FUNCTIONS: Czy kod nie używa przestarzałych
      funkcji? (sprawdź datę w dokumentacji)

□ 8. DATA EXPOSURE: Czy wrażliwe dane (PESEL, e-mail, hasło)
      są logowane lub wypisywane na ekran?

□ 9. INFINITE LOOPS: Czy pętle mają warunek stopu?
      Czy kod może się "zaciąć"?

□ 10. LICENSE: Jeśli używasz fragmentów z publicznych repo —
       sprawdź licencję (MIT, Apache = OK; GPL może wiązać)

5.3 Prompt do security review

Wykonaj security review poniższego kodu Python.
Sprawdź pod kątem:
1. Hardcoded credentials (hasła, klucze API)
2. Brak walidacji danych wejściowych
3. Potencjalne SQL injection
4. Nieobsługiwane wyjątki które mogą ujawnić wrażliwe dane
5. Używanie przestarzałych lub niebezpiecznych funkcji

Dla każdego znalezionego problemu:
- Wskaż numer linii
- Opisz ryzyko (niski/średni/wysoki)
- Zaproponuj poprawę

Kod do przeglądu:
[wklej kod]

6. Python dla humanistów — bez bariery wejścia

Ten podrozdział jest specjalnie dla uczestników bez doświadczenia programistycznego. Programowanie z AI pozwala Ci korzystać z kodu jak z narzędzia — bez konieczności zostania programistą/programistką.

6.1 Typowe zadania humanisty rozwiązywalne skryptem

6.2 Replit — środowisko zero-instalacyjne

Replit (replit.com) to środowisko programistyczne w przeglądarce. Nie wymaga instalacji Python, VS Code ani czegokolwiek. Otwierasz stronę, piszesz lub wklejasz kod, klikasz Run.

Darmowy plan: Wystarczy do wszystkich ćwiczeń w tym module.

Krok po kroku:

1. Wejdź na replit.com → Sign Up (darmowe konto)
2. Kliknij + Create → wybierz Python
3. Wklej kod wygenerowany przez AI
4. Kliknij Run ▶
5. Wyniki pojawiają się po prawej

7. Przebieg modułu — timeline

8. Ćwiczenia praktyczne

Ćwiczenie 1 — Zero to Script: analiza danych CSV (30 min)

Cel: Napisać działający skrypt Python bez znajomości języka, z pomocą AI.

Materiał: Prowadzący dostarcza plik ankieta.csv (50 wierszy, 5 pytań, wartości 1–5).

Krok 1 — Otwórz Replit (3 min):

1. Wejdź na replit.com
2. Utwórz nowy Repl → Python
3. Prześlij plik ankieta.csv (ikona folderu → upload)

Krok 2 — Wygeneruj skrypt (7 min): Użyj promptu z Sekcji 3.2 (dostosuj do dostarczonego pliku). Wklej wygenerowany kod do Replit.

Krok 3 — Uruchom i napraw (15 min): Kliknij Run. Jeśli pojawi się błąd — użyj promptu z Sekcji 4.4 (schemat CCEE). Iteruj aż skrypt zadziała.

Krok 4 — Rozbuduj (5 min): Poproś AI o dwie modyfikacje:

Dodaj do skryptu:
1. Wypisanie które pytanie ma najwyższą a które najniższą średnią
2. Prosty "wykres" ASCII pokazujący średnie (np. Pytanie1: ████ 3.8)

Pytania do refleksji:

• Ile linii kodu wygenerowało AI? Ile rozumiesz?
• Czy wyniki są logicznie poprawne?
• Ile czasu zajęłoby Ci to w Excelu?

Ćwiczenie 2 — Debugging Challenge (20 min)

Cel: Nauczyć się czytać komunikaty błędów i precyzyjnie je opisywać AI.

Materiał: Prowadzący dostarcza plik bugi.py z 3 celowo wprowadzonymi błędami.

Zasady:

• Nie możesz poprawiać kodu ręcznie — tylko przez AI
• Musisz użyć schematu CCEE do opisu każdego błędu
• Czas: max. 7 minut na każdy bug

# Przykładowy kod z błędami (prowadzący dostarczy inny)

import csv

def wczytaj_dane(plik):
    dane = []
    with open(plik) as f
        reader = csv.reader(f)
        for row in reader:
            dane.append(row)
    return dane

def oblicz_srednia(dane):
    suma = 0
    for row in dane:
        suma = suma + row[1]  # błąd 2
    return suma / len(dane)

wyniki = wczytaj_dane('ankieta.csv')
srednia = oblicz_srednia(wyniki)
print("Średnia: " + srednia)  # błąd 3

Tabela śledzenia:

Pytanie po ćwiczeniu: Który bug był najtrudniejszy do opisania? Dlaczego?

Ćwiczenie 3 — Security Review kodu AI (25 min)

Cel: Zidentyfikować problemy bezpieczeństwa w kodzie wygenerowanym przez AI.

Materiał: Prowadzący dostarcza plik api_klient.py z celowo wprowadzonymi problemami bezpieczeństwa.

# Przykładowy kod z problemami bezpieczeństwa (prowadzący dostarczy inny)

import requests

API_KEY = "sk-1234567890abcdef"  # problem 1
BASE_URL = "https://api.example.com"

def pobierz_dane(user_id):
    url = f"{BASE_URL}/users/{user_id}/data"
    response = requests.get(url, headers={"Authorization": API_KEY})
    return response.json()

def zapisz_wyniki(dane, sciezka):
    with open("/tmp/" + sciezka, "w") as f:  # problem 2
        f.write(str(dane))
    print(f"Zapisano dane: {dane}")  # problem 3

user_input = input("Podaj ID użytkownika: ")
dane = pobierz_dane(user_input)  # problem 4
zapisz_wyniki(dane, user_input + ".txt")

Krok 1 (10 min) — Własna analiza: Użyj checklisty z Sekcji 5.2. Zaznacz które punkty są problemem. Spróbuj zidentyfikować problemy samodzielnie, zanim użyjesz AI.

Krok 2 (10 min) — Security review przez AI: Użyj promptu z Sekcji 5.3. Porównaj wyniki AI z Twoją własną analizą.

Krok 3 (5 min) — Dyskusja:

• Ile problemów znalazłeś/znalazłaś samodzielnie?
• Które AI znalazło, a Ty nie?
• Które Ty znalazłeś/znalazłaś, a AI pominęło?

Ćwiczenie 4 — Prototypowanie landing page (15 min, opcjonalne)

Cel: Zobaczyć jak szybko można zbudować prosty interfejs webowy.

Instrukcja: Użyj promptu z Sekcji 3.3 lub własnego. Otwórz Replit → HTML/CSS/JS. Wklej kod → kliknij Run → sprawdź w przeglądarce.

Rozbuduj w 3 krokach:

1. Zmień kolory na czarno-białą paletę AI Literacy Lab
2. Dodaj swoje imię jako prowadzącego
3. Zmień opisy modułów na prawdziwe (z regulaminu projektu)

9. Zagrożenia i ograniczenia — czego nie wiesz gdy "vibe codujesz"

9.1 Phantom API — model wymyśla funkcje

Modele językowe mogą sugerować funkcje, które nie istnieją w danej bibliotece lub istniały w starszej wersji. Przykład:

# Model zasugerował:
import pandas as pd
df = pd.read_csv('dane.csv')
df.auto_clean()  # Ta funkcja nie istnieje w pandas!

Jak się bronić: Każdą nieznaną Ci funkcję sprawdź w oficjalnej dokumentacji (np. pandas.pydata.org).

9.2 Kwestie licencyjne

Kod generowany przez AI może być zbliżony do kodu z publicznych repozytoriów. Przy projektach komercyjnych lub pracach dyplomowych z komponentem implementacyjnym sprawdź czy fragment kodu nie jest chroniony licencją GPL (która wymaga publikacji kodu pochodnego).

W praktyce dla jednorazowych skryptów studenckich ryzyko jest minimalne. Dla projektów publikowanych — warto mieć świadomość.

9.3 Zależność od AI — pułapka cognitive offloading

Badania (2024/2025) pokazują, że intensywne korzystanie z AI do pisania kodu może spowalniać naukę programowania. Zjawisko cognitive offloading — przekazywania myślenia do zewnętrznego narzędzia — jest realne.

Strategia: Używaj AI jako "nauczyciela" — proś o wyjaśnienia, nie tylko o gotowy kod. Dla każdego wygenerowanego skryptu postaraj się zrozumieć przynajmniej główną strukturę.

10. Przebieg całego cyklu warsztatów — podsumowanie

Ten moduł zamyka pięć tygodni AI Literacy Lab. Oto mapa umiejętności które zdobyłeś/zdobyłaś:

11. Narzędzia i zasoby

Materiały do dalszej nauki

• "Vibe Coding" — Andrej Karpathy (tweet/post, luty 2025): x.com/karpathy
• Python dla nieInformatyków — Automate the Boring Stuff (bezpłatna książka online): automatetheboringstuff.com
• Replit 100 Days of Code — kurs Python zero-to-hero w przeglądarce: replit.com/learn
• GitHub Copilot docs — oficjalna dokumentacja: docs.github.com/en/copilot
• OWASP Top 10 — najczęstsze podatności bezpieczeństwa w kodzie: owasp.org/Top10
• CS50P — Python od Harvardu (bezpłatny): cs50.harvard.edu/python

12. Pytania kontrolne

1. Wyjaśnij termin "vibe coding" jednym zdaniem. Podaj dwa przykłady zadań gdzie sprawdza się dobrze i dwa gdzie nie należy go stosować.

2. Masz komunikat błędu KeyError: 'email' w skrypcie Python, który przetwarza słownik z odpowiedziami API. Napisz pełny opis błędu w schemacie CCEE.

3. Przejrzyj poniższy fragment kodu i wskaż dwa problemy bezpieczeństwa:

def login(username, password):
    query = f"SELECT * FROM users WHERE username='{username}' AND password='{password}'"
    db.execute(query)
    print(f"Login attempt: {username}, {password}")

4. Jaka jest różnica między GitHub Copilot a Cursor AI pod kątem kompatybilności z IDE? Który wybierzesz jeśli pracujesz w JetBrains PyCharm i dlaczego?

5. Co to jest "phantom API" i jak się przed tym bronić? Podaj konkretny przykład.

6. Twoja koleżanka mówi: "Korzystam z AI do pisania całego kodu bez czytania go — przecież działa!" Jakie trzy ryzyka jej wskazujesz?

7. Masz dane osobowe z badania (imiona, wiek, odpowiedzi ankietowe) w pliku CSV. Chcesz użyć AI do analizy tematycznej. Opisz krok po kroku jak to zrobić bezpiecznie.

FAQ (rozwiń)

Ucz się z tym plikiem MDX w narzędziach AI