ការអភិវឌ្ឍសូហ្វវែរត្រូវបានផ្លាស់ប្តូរទាំងស្រុងដោយបញ្ញាសិប្បនិម្មិតបង្កើតមាតិកា (Generative AI) ដែលអនុញ្ញាតឱ្យនរណាម្នាក់អាចបង្កើតកម្មវិធីពេញលេញបានយ៉ាងសាមញ្ញ តាមរយៈការរៀបរាប់ពីអ្វីដែលពួកគេចង់បានជាភាសាអង់គ្លេសធម្មតា។ ទោះជាយ៉ាងណាក៏ដោយ អ្នកស្រាវជ្រាវសន្តិសុខសាយប័រ និងអ្នកវិភាគក្នុងឧស្សាហកម្មបានព្រមានថា "vibe coding" ដោយគ្មានវិធានការប្រុងប្រយ័ត្នតឹងរ៉ឹងផ្នែកសុវត្ថិភាព កំពុងធ្វើឱ្យអ៊ីនធឺណិតពោរពេញទៅដោយសូហ្វវែរដែលងាយរងគ្រោះជាទម្ងន់។
ឃ្លានេះត្រូវបានបង្កើតឡើងនៅដើមឆ្នាំ 2025 ដោយអតីតនាយក Tesla Autopilot និងសហស្ថាបនិក OpenAI លោក Andrej Karpathy ដែលបានកត់សម្គាល់ថាម៉ូឌែលភាសាធំៗ (LLMs) អនុញ្ញាតឱ្យអ្នកបង្កើត "លម្អៀងអារម្មណ៍ទៅតាម vibe ទាំងស្រុង ទទួលយកការរីកចម្រើនយ៉ាងរហ័ស និងបំភ្លេចចោលថាកូដនោះមានវត្តមានផងដែរ"។ ខណៈដែលវិធីសាស្រ្តដ៏ធូរស្រាលនេះដំណើរការយ៉ាងអស្ចារ្យសម្រាប់ការធ្វើគំរូសាកល្បងយ៉ាងឆាប់រហ័ស ការដាក់ឱ្យដំណើរការកូដដែលមិនទាន់បានត្រួតពិនិត្យចូលទៅក្នុងប្រព័ន្ធផលិតកម្មផ្ទាល់ បានបង្កើតចន្លោះប្រហោងសុវត្ថិភាពដ៏គ្រោះថ្នាក់។ ក្រុមហ៊ុនសន្តិសុខសាយប័រ Apiiro ថ្មីៗនេះបានរកឃើញថា ខណៈដែលឧបករណ៍សរសេរកូដ AI ជួយឱ្យអ្នកអភិវឌ្ឍន៍បង្កើនផលិតភាពបានរហូតដល់ 4x វាក៏បង្កើតភាពងាយរងគ្រោះផ្នែកសុវត្ថិភាពកើនឡើងដល់ទៅ 10x ផងដែរ។ សម្រាប់ទាំងអ្នកបង្កើតទោល និងក្រុមវិស្វករ ការដឹងពីវិធីការពារមូលដ្ឋានទិន្នន័យ ព័ត៌មានសម្ងាត់ និងស្ថាបត្យកម្មកម្មវិធី គឺលែងជាជម្រើសទៀតហើយ។
កាយវិភាគវិទ្យានៃគម្លាតសុវត្ថិភាពរបស់ Vibe Coding
នៅពេលដែលវិស្វករសូហ្វវែរមនុស្សសរសេរកូដ ជាទូទៅពួកគេរចនាលំហូរទិន្នន័យ គិតទុកជាមុនអំពីករណីពិសេសៗ (edge cases) និងអនុវត្តការត្រួតពិនិត្យផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវដោយផ្ទាល់ដៃ។ ផ្ទុយទៅវិញ ជំនួយការសរសេរកូដ AI ដំណើរការលើការផ្គូផ្គងទម្រង់ស្ថិតិ។ រង្វាស់បង្កើនប្រសិទ្ធភាពចម្បងរបស់វា គឺការបំពេញតាមការបញ្ជារបស់អ្នកប្រើប្រាស់ជាមួយនឹងកូដដែលអាចដំណើរការបានឱ្យលឿនបំផុតតាមដែលអាចធ្វើទៅបាន ដោយតែងតែរំលងការអនុវត្តការសរសេរកូដបែបការពារ។
ដោយសារតែកម្មវិធីមើលទៅមានភាពរលូន និងដំណើរការបានល្អក្នុងអំឡុងពេលសាកល្បងបង្ហាញយ៉ាងលឿន អ្នកបង្កើតដែលមិនមែនជាអ្នកបច្ចេកទេសតែងតែសន្មតថាវាមានសុវត្ថិភាពនៅខាងក្នុង។ តាមពិតទៅ ម៉ូឌែលភាសាធំៗតែងតែកាត់បន្ថយដំណាក់កាលសំខាន់ៗ។ ពួកវារំលងការត្រួតពិនិត្យការអនុញ្ញាតនៅខាងម៉ាស៊ីនបម្រើ (server-side authorization), បង្កើតសំណួរមូលដ្ឋានទិន្នន័យដែលគ្មានប៉ារ៉ាម៉ែត្រ (unparameterized database queries) និងទុកឱ្យកូនសោផ្ទៀងផ្ទាត់ចំណុចប្រទាក់សរសេរកម្មវិធី (API keys) បង្ហាញយ៉ាងចំហនៅក្នុងកញ្ចប់ទិន្នន័យខាងម៉ាស៊ីនកូន (client-side bundles)។ នៅពេលដែលអ្នកប្រើប្រាស់មិនដឹងពីរបៀបត្រួតពិនិត្យកូដដែលបានបង្កើត នោះកំហុសដែលមើលមិនឃើញទាំងនោះនឹងជ្រាបចូលដោយផ្ទាល់ទៅកាន់សេវាកម្មបង្ហោះកម្មវិធីផ្លូវការ។
ទស្សនា៖ Vibe Coding មានបញ្ហាសុវត្ថិភាព និងវិធីដោះស្រាយ
Video: Chris Raroque on YouTube
1. ត្រូវបញ្ជាក់ឱ្យបានច្បាស់លាស់បំផុតនៅក្នុងសារបញ្ជា និងរក្សាទុកឯកសារកំណត់ច្បាប់ជា Markdown
Photo: Engadget - Technology News & Expert Reviews (source)
ការចាត់ទុកជំនួយការសរសេរកូដ AI ដូចជា "យក្សកំប៉ុងខ្ជិល" គឺជាវិធានការគ្រឹះនៃ vibe coding ប្រកបដោយសុវត្ថិភាព។ ប្រសិនបើអ្នកសុំឱ្យជំនួយការ "បង្កើតទំព័រប្រវត្តិរូបអ្នកប្រើប្រាស់ដែលអាចកែសម្រួលទិន្នន័យបាន" វានឹងសរសេរកូដកម្រិតអប្បបរមាដែលត្រូវការដើម្បីបង្ហាញ និងកែសម្រួលទិន្នន័យនោះប៉ុណ្ណោះ។ សំខាន់ជាងនេះទៅទៀត វាទំនងជានឹងរំលងការត្រួតពិនិត្យថាតើអ្នកប្រើប្រាស់ដែលបានចូលប្រើប្រាស់នោះពិតជាម្ចាស់គណនីនោះឬអត់ ដែលនេះបើកផ្លូវយ៉ាងទូលាយឱ្យជនអនាមិកកែប្រែគណនីរបស់អ្នកដទៃបាន។
ដើម្បីទប់ស្កាត់បញ្ហានេះ រាល់សារបញ្ជាត្រូវតែបញ្ជាក់យ៉ាងច្បាស់អំពីដែនកំណត់សុវត្ថិភាព និងលក្ខខណ្ឌប្រតិបត្តិការ៖
- លម្អិតអំពីការគ្រប់គ្រងការចូលប្រើប្រាស់៖ ប្រកាសឱ្យបានច្បាស់លាស់ថានរណាខ្លះអាចអាន បង្កើត កែប្រែ ឬលុបទិន្នន័យនៅលើរាល់ endpoint ទាំងអស់។
- ទាមទារក្របខ័ណ្ឌស្តង់ដារ៖ ណែនាំ AI ឱ្យសរសេរការអនុវត្តដែលប្រកាន់ខ្ជាប់យ៉ាងតឹងរ៉ឹងនូវគោលការណ៍ណែនាំកំពូលទាំង 10 របស់គម្រោងសុវត្ថិភាពកម្មវិធីគេហទំព័របើកចំហ (OWASP Top 10)។
- អនុវត្តការអ៊ិនគ្រីប៖ បញ្ជាក់កន្លែងដែលទិន្នន័យត្រូវតែអ៊ិនគ្រីបក្នុងពេលបញ្ជូន និងនៅពេលរក្សាទុក។
- បង្កើតឯកសារកំណត់ច្បាប់ជាប់លាប់៖ ជាជាងការសរសេរបញ្ជាក់ឡើងវិញនូវគោលការណ៍ណែនាំក្នុងគ្រប់សារបញ្ជា ចូរបង្កើតឯកសារ markdown (ដូចជា
CLAUDE.md,.cursorrules, ឬសេចក្តីណែនាំក្នុង repository) នៅក្នុង root នៃគម្រោងរបស់អ្នក។ ម៉ូឌែល AI នឹងអានឯកសារទាំងនេះដោយស្វ័យប្រវត្តិជាបរិបទជាប់លាប់ ដែលធានាថាវិធានការសរសេរកូដប្រកបដោយសុវត្ថិភាពនឹងត្រូវអនុវត្តតាមលំនាំដើមរាល់ពេលបង្កើតកូដ។
2. រក្សាកូនសោ API និងពាក្យសម្ងាត់ឱ្យនៅក្រៅសារបញ្ជាទាំងស្រុង
កំហុសដ៏ធ្ងន់ធ្ងរបំផុតមួយដែលអ្នកចាប់ផ្តើម vibe coding ថ្មីថ្មោងតែងតែបង្កើតឡើង គឺការបិទភ្ជាប់ (paste) ព័ត៌មានសម្ងាត់ភាគីទីបី ដូចជាកូនសោសម្ងាត់ Stripe, ខ្សែតភ្ជាប់មូលដ្ឋានទិន្នន័យ (connection strings) ឬ API token របស់ OpenAI ចូលទៅក្នុងផ្ទាំងជជែករបស់ AI ឬក្នុងកូដដើមដោយផ្ទាល់។
នៅពេលដែលកូនសោ API ត្រូវបានបិទភ្ជាប់ទៅក្នុងផ្ទាំងជជែក វានឹងចូលទៅក្នុងបរិស្ថានកត់ត្រាខាងក្រៅ និងផ្ទាំងបរិបទ (context windows)។ អ្វីដែលកាន់តែអាក្រក់នោះគឺ អ្នកចាប់ផ្តើមដំបូងតែងតែ push ឯកសារទាំងនេះដោយផ្ទាល់ទៅកាន់ GitHub repository សាធារណៈ ដែលនៅទីនោះ bot ស្វ័យប្រវត្តិនឹងប្រមូលយកព័ត៌មានសម្ងាត់ក្នុងរយៈពេលត្រឹមតែប៉ុន្មានវិនាទីប៉ុណ្ណោះ។ ក្រុមហ៊ុនសន្តិសុខសាយប័រ GitGuardian បានរាយការណ៍ថា ព័ត៌មានសម្ងាត់សុទ្ធជាង 28.65 million ត្រូវបានលាតត្រដាងនៅក្នុងការ commit សាធារណៈក្នុងរយៈពេលតែ 1 ឆ្នាំប៉ុណ្ណោះ ដោយមានការកើនឡើងដល់ 81% នៃការលេចធ្លាយព័ត៌មានសម្ងាត់ដែលជាប់ទាក់ទងជាពិសេសទៅនឹងសេវាកម្ម AI។
ដើម្បីរក្សាព័ត៌មានសម្ងាត់ឱ្យមានសុវត្ថិភាព៖
- ប្រើប្រាស់អថេរបរិស្ថាន (Environment Variables)៖ រក្សាទុកកូនសោនៅក្នុងឯកសារ
.envតែប៉ុណ្ណោះ និងត្រូវប្រាកដថាឯកសារ.gitignoreរបស់អ្នកបានដាក់បញ្ចូល.envមុនពេល commit កូដណាមួយ។ - ទាញយកប្រយោជន៍ពីកម្មវិធីគ្រប់គ្រងព័ត៌មានសម្ងាត់ (Secrets Managers)៖ សម្រាប់ការដាក់ឱ្យដំណើរការលើពពក (cloud) សូមប្រើប្រាស់ឃ្លាំងសម្ងាត់ដែលមានការគ្រប់គ្រង (ដូចជា Doppler, AWS Secrets Manager ឬ Vercel Environment Variables)។
- ផ្លាស់ប្តូរកូនសោភ្លាមៗ (Rotate)៖ ប្រសិនបើព័ត៌មានសម្ងាត់ត្រូវបានបិទភ្ជាប់ដោយអចេតនាទៅក្នុងសារបញ្ជា AI ឬ commit ចូលទៅក្នុង version control ចាត់ទុកថាវាត្រូវបានបែកធ្លាយភ្លាមៗ ហើយត្រូវផ្លាស់ប្តូរវាជាបន្ទាន់តាមរយៈផ្ទាំងគ្រប់គ្រងរបស់អ្នកផ្តល់សេវា។
3. ចាក់សោការពារមូលដ្ឋានទិន្នន័យ៖ SQL Injection, RLS និង Slopsquatting
Photo: Engadget - Technology News & Expert Reviews (source)
កម្មវិធីដែលមានមុខងារភាគច្រើនពឹងផ្អែកលើមូលដ្ឋានទិន្នន័យដើម្បីរក្សាទុកប្រវត្តិរូបអតិថិជន កំណត់ត្រាការទូទាត់ និងខ្លឹមសាររបស់អ្នកប្រើប្រាស់។ នៅពេលដែល AI បង្កើតសំណួរ backend វាច្រើនតែសរសេរសេចក្តីថ្លែងការណ៍ Structured Query Language (SQL) បែបសាមញ្ញៗដែលងាយរងគ្រោះដោយការវាយប្រហារបែប SQL injection ដែលនៅទីនោះពួកអ្នកវាយប្រហារអាចដំណើរការពាក្យបញ្ជាមូលដ្ឋានទិន្នន័យតាមចិត្តដោយគ្រាន់តែផ្ញើអត្ថបទបញ្ចូលដែលមានគំនិតទុច្ចរិត។
ការធានាសុវត្ថិភាពស្រទាប់កម្មវិធីរបស់អ្នកតម្រូវឱ្យមានជំហានច្បាស់លាស់ចំនួនបី៖
- ប្រើប៉ារ៉ាម៉ែត្រក្នុងគ្រប់សំណួរទាំងអស់ (Parameterize all queries)៖ ណែនាំ AI ឱ្យប្រើប្រាស់សំណួរដែលមានប៉ារ៉ាម៉ែត្រ ឬបណ្ណាល័យ object-relational mapping (ORM) ដើម្បីទប់ស្កាត់កុំឱ្យការបញ្ចូលទិន្នន័យដែលមិនគួរឱ្យទុកចិត្តត្រូវបានបកស្រាយជាកូដ។
- បើកដំណើរការ Row-Level Security (RLS)៖ សម្រាប់វេទិកាមូលដ្ឋានទិន្នន័យទំនើបដូចជា PostgreSQL និង Supabase មុខងារ RLS គឺមានសារៈសំខាន់ខ្លាំងណាស់។ ណែនាំម៉ូឌែលឱ្យបើក RLS នៅលើរាល់តារាងមូលដ្ឋានទិន្នន័យទាំងអស់ និងកំណត់គោលការណ៍សុវត្ថិភាពឱ្យបានច្បាស់លាស់។ ប្រសិនបើគ្មាន RLS ទេ នរណាម្នាក់ដែលរកឃើញ API endpoint សាធារណៈរបស់អ្នក អាចទាញយកទិន្នន័យពីមូលដ្ឋានទិន្នន័យទាំងមូលបាន។
- ការពារប្រឆាំងនឹង slopsquatting៖ ម៉ូឌែល AI ជួនកាល "ស្រមើស្រមៃ" (hallucinate) កញ្ចប់សូហ្វវែរ និងបណ្ណាល័យដែលមិនមានពិតប្រាកដ។ ជនឆ្លៀតឱកាសតែងតែចុះឈ្មោះឈ្មោះកញ្ចប់កូដដែលកើតពីការស្រមើស្រមៃទាំងនោះជាប្រព័ន្ធនៅលើ repositories ដូចជា npm និង PyPI ដោយបង្កប់មេរោគគ្រោះថ្នាក់។ ត្រូវផ្ទៀងផ្ទាត់ជានិច្ចថារាល់បណ្ណាល័យខាងក្រៅដែលណែនាំដោយម៉ូឌែល AI គឺស្របច្បាប់ កំពុងត្រូវបានថែទាំយ៉ាងសកម្ម និងត្រូវបានដំឡើងពីប្រភពផ្លូវការ។
4. អនុវត្តការកំណត់កម្រិតនៃការហៅប្រើ (Rate Limiting) ដើម្បីទប់ស្កាត់ Bot និងការពារការចំណាយហួសប្រមាណ
ជំនួយការសរសេរកូដ AI កម្រនឹងអនុវត្តការកំណត់កម្រិតនៃការហៅប្រើណាស់ ប្រសិនបើមិនត្រូវបានបញ្ជាឱ្យធ្វើនោះទេ។ កម្មវិធីដែលគ្មានការកំណត់កម្រិតនៃការហៅប្រើ នឹងអនុញ្ញាតឱ្យអ្នកវាយប្រហារអាចបញ្ជូនសំណើស្វ័យប្រវត្តិកាន់តែច្រើនឥតកំណត់ទៅកាន់ម៉ាស៊ីនបម្រើរបស់វា។
ការកំណត់កម្រិតនៃការហៅប្រើគឺមានសារៈសំខាន់សម្រាប់ហេតុផលចម្បងពីរយ៉ាង៖
- ការទប់ស្កាត់ការបំពាន និងការវាយប្រហារបែប brute-force៖ ពួកអ្នកវាយប្រហារប្រើ bot ស្វ័យប្រវត្តិដើម្បីវាយលុកច្រកចូលគណនីជាមួយវចនានុក្រមបំបែកលេខកូដសម្ងាត់ ឬបង្កើតគណនីក្លែងក្លាយរាប់ពាន់ក្នុងរយៈពេលត្រឹមតែប៉ុន្មាននាទី។ ការកំណត់កម្រិតនៃការហៅប្រើ នឹងកំណត់ចំនួនសកម្មភាពដែលអាសយដ្ឋាន IP ឬគណនីអ្នកប្រើប្រាស់អាចធ្វើបានក្នុងចន្លោះពេលជាក់លាក់ណាមួយ។
- ការជៀសវាងវិក្កយបត្រ API ដ៏ច្រើនសន្ធឹកសន្ធាប់៖ ប្រសិនបើកម្មវិធីដែលបាន vibe-code របស់អ្នកភ្ជាប់ទៅកាន់ API បង់ប្រាក់របស់ភាគីទីបី (ដូចជាការបង្កើតរូបភាព AI ឬ LLM endpoints) អ្នកវាយប្រហារដែលគ្មានការរឹតបន្តឹងអាចសរសេរស្គ្រីបផ្ញើសំណួររាប់ពាន់ប្រឆាំងនឹង backend របស់អ្នក ដែលធ្វើឱ្យអ្នកខាតបង់ប្រាក់រាប់ពាន់ដុល្លារលើកាតឥណទានរបស់អ្នកក្នុងរយៈពេលត្រឹមតែប៉ុន្មានម៉ោងប៉ុណ្ណោះ។
ណែនាំ AI របស់អ្នកឱ្យអនុវត្ត middleware កំណត់កម្រិតនៃការហៅប្រើ (ដូចជា Upstash, token buckets ដែលផ្អែកលើ Redis ឬ Cloudflare turnstiles) នៅទូទាំង public endpoints ទាំងអស់ ជាពិសេសផ្លូវចូលគណនី (login) និងការចុះឈ្មោះ (registration)។
5. ត្រួតពិនិត្យ ធ្វើសវនកម្មឆ្លងកាត់ និងដំណើរការកម្មវិធីស្កេនស្វ័យប្រវត្តិ
ការបញ្ចេញកូដឱ្យដំណើរការដោយគ្មានការផ្ទៀងផ្ទាត់ គឺផ្ទុយពីវិធានការស្នូលនៃវិស្វកម្មសូហ្វវែរ។ ទោះបីជាអ្នកខ្វះប្រវត្តិបច្ចេកទេសក្នុងការត្រួតពិនិត្យកូដដោយផ្ទាល់ដៃពីមួយបន្ទាត់ទៅមួយបន្ទាត់ក៏ដោយ អ្នកអាចបង្កើតដំណើរការត្រួតពិនិត្យដោយស្វ័យប្រវត្តិ និងដោយមានជំនួយពី AI មុនពេលដាក់ឱ្យដំណើរការជាផ្លូវការ។
ដំបូង បញ្ជាឱ្យជំនួយការ AI ធ្វើការសវនកម្មលើខ្លួនឯងបែបប្រកួតប្រជែង៖ "វិភាគកូដដែលអ្នកទើបតែបានបង្កើត កំណត់ភាពងាយរងគ្រោះដែលអាចកើតមានយោងតាម OWASP Top 10 និងសរសេរវាឡើងវិញជាមួយនឹងការការពារចាំបាច់។" ទីពីរ ចម្លងកូដដែលបានបង្កើតចូលទៅក្នុងម៉ូឌែលគូប្រជែង (ដូចជាការសួរ Claude ជាមួយនឹងកូដដែលបង្កើតដោយ OpenAI ឬផ្ទុយមកវិញ) ដើម្បីធ្វើការពិនិត្យឆ្លងម៉ូឌែលដោយមិនលម្អៀង។
ចុងក្រោយ សូមដំណើរការឧបករណ៍សុវត្ថិភាពស្វ័យប្រវត្តិដែលបានរចនាឡើងជាពិសេសដើម្បីធ្វើសវនកម្មលើមូលដ្ឋានកូដដែលបង្កើតដោយ AI មុនពេលដាក់ឱ្យប្រើប្រាស់។ ដំណោះស្រាយដូចជា StackHawk Wingman, CheckVibe, SafeToShip និងការស្កេនសុវត្ថិភាពរួមបញ្ចូលគ្នារបស់ GitHub អាចរកឃើញការគ្រប់គ្រងការចូលប្រើប្រាស់ដែលខូច ព័ត៌មានសម្ងាត់ដែលបានលេចធ្លាយ និងភាពងាយរងគ្រោះដែលគេស្គាល់នៅក្នុង dependencies។
អ្វីដែលទិន្នន័យបង្ហាញ៖ សុវត្ថិភាពកូដដែលសរសេរដោយមនុស្ស និង AI
ការស្រាវជ្រាវឯករាជ្យបានបញ្ជាក់ថា ម៉ូឌែល AI ពូកែខាងវេយ្យាករណ៍កូដ (syntax) ប៉ុន្តែតែងតែខ្វះខាតលើផ្នែកស្ថាបត្យកម្មការពារសុវត្ថិភាព។ ការធ្វើតេស្តពី Veracode, GitGuardian និងស្ថាប័នសិក្សាស្រាវជ្រាវបង្ហាញពីផ្នែកជាក់លាក់ដែលការអភិវឌ្ឍដោយមានជំនួយពី AI បង្កើតឱ្យមានបញ្ហា៖
| រង្វាស់ / តំបន់ហានិភ័យ | ការអភិវឌ្ឍបែបប្រពៃណីដោយមនុស្ស | ការអភិវឌ្ឍបែប Vibe / បង្កើតដោយ AI | ផលវិបាកសុវត្ថិភាពចម្បង |
|---|---|---|---|
| លទ្ធផលដែលអាច Compile / ដំណើរការបាន | ទាមទារការកែកំហុស syntax ម្តងហើយម្តងទៀត | អត្រា compile ភ្លាមៗស្ទើរតែ ~100% | បង្កើតការយល់ច្រឡំមិនពិតអំពីស្ថិរភាពកូដ |
| អត្រាឆ្លងកាត់សុវត្ថិភាពជាមធ្យម | ~75% - 85% ក្នុងបណ្តាញដែលបានត្រួតពិនិត្យ | 56% លើបណ្តា LLMs ឈានមុខគេ | ករណីកើតឡើងខ្ពស់នៃភាពងាយរងគ្រោះ OWASP Top 10 |
| ព័ត៌មានសម្ងាត់ និងកូនសោដែលបែកធ្លាយ | ត្រូវបានគ្រប់គ្រងដោយ linters របស់ CI/CD | ការកើនឡើងប្រចាំឆ្នាំ 81% ក្នុង commits របស់ AI | ការលួចយកព័ត៌មានសម្ងាត់ភ្លាមៗ និងការបែកធ្លាយប្រព័ន្ធពពក |
| ការស្រមើស្រមៃ Dependency | ការស្វែងរកកញ្ចប់កូដដោយផ្ទាល់ដៃ | រហូតដល់ 19.7% នៃឈ្មោះកញ្ចប់កូដក្លែងក្លាយ | ងាយរងគ្រោះដោយសារ "slopsquatting" ក្នុងខ្សែច្រវ៉ាក់ផ្គត់ផ្គង់ |
| ការគ្រប់គ្រងការចូលប្រើប្រាស់ (ការអនុញ្ញាត) | អនុវត្តតាមការបញ្ជាក់លម្អិតនៃអាជីវកម្ម | ជារឿយៗត្រូវបានរំលងក្នុងសារបញ្ជាសាមញ្ញ | អ្នកប្រើប្រាស់អាចមើល ឬកែប្រែកំណត់ត្រារបស់អ្នកដទៃបាន |
ដំបូន្មានជាក់ស្តែងសម្រាប់អ្នកបង្កើតថ្មី និងក្រុមការងារ
Vibe coding មិនចាំបាច់ជាដំណើរការដែលគ្មានការប្រុងប្រយ័ត្ននោះទេ។ វិធីសាស្រ្តនេះផ្តល់នូវកម្លាំងចលករនៃការបង្កើតថ្មីដ៏អស្ចារ្យ ប្រសិនបើអ្នកបញ្ចូលទម្លាប់ DevSecOps មូលដ្ឋានតាំងពីថ្ងៃដំបូង។
មុនពេលវាយបញ្ចូលសារបញ្ជាដំបូងរបស់អ្នក ចូររៀបចំបរិស្ថានសាកល្បង (sandbox)។ កុំភ្ជាប់ AI coding agent ទៅកាន់មូលដ្ឋានទិន្នន័យផលិតកម្មផ្ទាល់ ឬព័ត៌មានសម្ងាត់ដែលមានសិទ្ធិខ្ពស់ក្នុងអំឡុងពេលពិសោធន៍ឱ្យសោះ។ ប្រសិនបើអ្នកប្រើ terminal agents ស្វ័យប្រវត្ត សូមអនុវត្តគោលការណ៍នៃសិទ្ធិតិចតួចបំផុត (principle of least privilege)៖ កំណត់រចនាសម្ព័ន្ធ agent ដើម្បីកុំឱ្យវាអាចដំណើរការពាក្យបញ្ជា shell ដែលមានលក្ខណៈបំផ្លិចបំផ្លាញ ឬអានឯកសារថតផ្ទាល់ខ្លួនដោយគ្មានការបញ្ជាក់ច្បាស់លាស់ពីមនុស្សឡើយ។ នៅពេលដែលគម្រោងរបស់អ្នកខិតជិតដល់ការដាក់ឱ្យដំណើរការ ចូរចាត់ទុកកម្មវិធីរបស់អ្នកមិនមែនជាប្រព័ន្ធដែលបានបញ្ចប់ជាស្ថាពរនោះទេ ប៉ុន្តែជាសេចក្តីព្រាងការងារដែលទាមទារឱ្យមានការពិនិត្យកូដដោយស្វ័យប្រវត្តិយ៉ាងម៉ឺងម៉ាត់ ការធ្វើតេស្តអវិជ្ជមាន និងការត្រួតពិនិត្យជាប្រចាំ។
អ្វីដែលនឹងកើតឡើងបន្ទាប់នៅក្នុងវិស័យសុវត្ថិភាព AI
នៅពេលដែល vibe coding ផ្លាស់ប្តូរពីនិន្នាការលើបណ្តាញសង្គមទៅជាលំហូរការងារប្រចាំថ្ងៃរបស់សហគ្រាស សូហ្វវែរសន្តិសុខសាយប័រក៏កំពុងសម្របខ្លួនយ៉ាងឆាប់រហ័សផងដែរ។ បរិស្ថានអភិវឌ្ឍន៍រួមបញ្ចូលគ្នា (IDEs) ឈានមុខគេកំពុងដាក់ឱ្យដំណើរការនូវរបាំងការពារសុវត្ថិភាពភ្លាមៗ (real-time) ដែលបង្ហាញសញ្ញាព្រមានអំពីព័ត៌មានសម្ងាត់ដែលបានបង្កប់ក្នុងកូដ និងសំណួរ SQL ដែលគ្មានប៉ារ៉ាម៉ែត្រ មុនពេលកូដត្រូវបានរក្សាទុកទៅទៀត។
លើសពីនេះ អ្នកផ្តល់ហេដ្ឋារចនាសម្ព័ន្ធពពកធំៗ និងបញ្ជីឈ្មោះកញ្ចប់កូដកំពុងដាក់ពង្រាយប្រព័ន្ធចម្រោះស្វ័យប្រវត្តិ ដើម្បីស្វែងរកទម្រង់កញ្ចប់កូដដែលកើតចេញពីការស្រមើស្រមៃ និងទប់ស្កាត់ការចុះឈ្មោះឈ្មោះក្លែងក្លាយដែលមានគំនិតទុច្ចរិត។ អនាគតនៃការបង្កើតសូហ្វវែរពិតជានឹងក្លាយជាកម្មសិទ្ធិនៃការសរសេរកម្មវិធីតាមរយៈភាសាធម្មជាតិ ប៉ុន្តែអ្នកដែលទទួលបានជោគជ័យ នឹងក្លាយជាអ្នកដែលអាចថ្លឹងថ្លែងរវាងល្បឿននៃការបង្កើតថ្មី ជាមួយនឹងការការពារសុវត្ថិភាពយ៉ាងម៉ឺងម៉ាត់បំផុត។
សំណួរដែលសួរញឹកញាប់
តើ vibe coding ពិតជាមានន័យដូចម្តេច? Vibe coding សំដៅលើការបង្កើតសូហ្វវែរដោយប្រើប្រាស់ម៉ូឌែល AI បង្កើតមាតិកា ដែលនៅក្នុងនោះអ្នកអភិវឌ្ឍន៍គ្រាន់តែរៀបរាប់អំពីមុខងារដែលចង់បានជាភាសាសន្ទនាធម្មតា ហើយពឹងផ្អែកលើ AI ដើម្បីសរសេរ កែកំហុស និងដំណើរការកូដទាំងស្រុង។
តើសូហ្វវែរដែលបង្កើតឡើងដោយ vibe coding មានសុវត្ថិភាពក្នុងការដាក់ឱ្យប្រើប្រាស់លើអ៊ីនធឺណិតដែរឬទេ? វាអាចមានសុវត្ថិភាព ប្រសិនបើអ្នកបញ្ជា AI យ៉ាងជាក់លាក់ឱ្យអនុវត្តពិធីការសុវត្ថិភាព ការពារមូលដ្ឋានទិន្នន័យរបស់អ្នកជាមួយនឹងការផ្ទៀងផ្ទាត់ និងការត្រួតពិនិត្យសិទ្ធិអនុញ្ញាត ព្រមទាំងធ្វើតេស្តកម្មវិធីដោយប្រើកម្មវិធីស្កេនសុវត្ថិភាពស្វ័យប្រវត្តិកំណត់មុនពេលដាក់ឱ្យដំណើរការ។
តើអ្វីជា slopsquatting ក្នុងការអភិវឌ្ឍ AI? Slopsquatting គឺជាការវាយប្រហារតាមអ៊ីនធឺណិត ដែលជនទុច្ចរិតចុះឈ្មោះឈ្មោះបណ្ណាល័យ ឬកញ្ចប់កូដក្លែងក្លាយដែលម៉ូឌែល AI បានស្រមើស្រមៃដោយចៃដន្យ ក្នុងបំណងឱ្យអ្នកអភិវឌ្ឍន៍ដែលមិនបានចាប់អារម្មណ៍ដំឡើងកញ្ចប់កូដដែលមានផ្ទុកមេរោគទាំងនោះ។
ហេតុអ្វីបានជាខ្ញុំគួរដាក់បញ្ចូលឯកសារកំណត់ច្បាប់ markdown នៅក្នុងគម្រោងរបស់ខ្ញុំ? ឯកសារ markdown (ដូចជា CLAUDE.md ឬ .cursorrules) ដើរតួជាការចងចាំអចិន្ត្រៃយ៍សម្រាប់ជំនួយការ AI របស់អ្នក ដោយអនុវត្តដោយស្វ័យប្រវត្តិនូវគោលការណ៍ណែនាំសុវត្ថិភាពចាំបាច់ ស្តង់ដារអ៊ិនគ្រីប និងដែនកំណត់ស្ថាបត្យកម្មចំពោះរាល់កូដដែលវាបង្កើតឡើង។





