Команда потратила пять дней на поиск причины, из-за которой приложение периодически «падало» в продакшене. Логи ничего не показывали, воспроизвести локально не удавалось. Когда подключили GitHub Copilot и ChatGPT для анализа кода, баг нашелся за 20 минут. Рассказываю, как это было, с примерами кода и скриншотами.
История началась с того, что пользователи начали жаловаться на внезапные ошибки 500 в нашем API. Мониторинг показывал, что проблема возникает хаотично — раз в несколько часов, только под нагрузкой. Мы проверили базу данных, кэш, логи — всё чисто.
Тогда мы решили подойти к проблеме нестандартно: скормили подозрительные модули кода ИИ-инструментам с просьбой найти потенциальные проблемы. Результат нас шокировал — ИИ указал на место, которое мы даже не рассматривали как потенциально опасное.
Что происходило в продакшене
Наше приложение — это REST API на Python (FastAPI), которое обрабатывает платежи. Архитектура стандартная: контроллеры → сервисы → репозитории.
Симптомы:
- Ошибки 500 без явной причины
- Проблема проявлялась только при 1000+ RPS
- Логи не содержали stack trace
- Локально воспроизвести не удавалось
Как мы подключили ИИ к поиску
Вместо того чтобы продолжать «тыкать пальцем в небо», мы сделали следующее:
- Выгрузили код сервиса обработки платежей (около 500 строк)
- Загрузили в GitHub Copilot Chat с промптом: «Найди потенциальные race conditions и проблемы с конкурентным доступом»
- Продублировали запрос в ChatGPT-4 с контекстом: «Приложение падает под нагрузкой, логи пустые, найди уязвимые места»
Что нашел ИИ за 20 минут
Оба инструмента указали на один и тот же участок кода в файле payment_service.py:
ИИ сразу указал на проблему: классовая переменная _cache共享 между всеми экземплярами класса, что в многопоточной среде (а FastAPI использует asyncio) приводит к race conditions и непредсказуемому поведению.
Как ИИ помог найти корневую причину
Но самое интересное произошло дальше. Мы спросили: «Почему это вызывает ошибки 500, а не просто некорректные данные?»
ChatGPT проанализировал код глубже и нашел второй баг, который мы точно бы искали еще неделю:
ИИ объяснил: при одновременных запросах от одного пользователя (что бывает при повторных нажатиях кнопки «Оплатить») возникала ситуация:
- Запрос A проверяет баланс: 100₽
- Запрос B проверяет баланс: 100₽
- Запрос A списывает 60₽, остаток 40₽
- Запрос B пытается списать 60₽ → ошибка!
Но самое хитрое — исключение InsufficientFundsError где-то в middleware превращалось в generic 500 ошибку без деталей.
Как мы это исправили
ИИ не только нашел проблему, но и предложил решение:
ИИ объяснил: при одновременных запросах от одного пользователя (что бывает при повторных нажатиях кнопки «Оплатить») возникала ситуация:
- Запрос A проверяет баланс: 100₽
- Запрос B проверяет баланс: 100₽
- Запрос A списывает 60₽, остаток 40₽
- Запрос B пытается списать 60₽ → ошибка!
Но самое хитрое — исключение InsufficientFundsError где-то в middleware превращалось в generic 500 ошибку без деталей.
Как мы это исправили
ИИ не только нашел проблему, но и предложил решение:
Выводы
ИИ не заменит разработчика, но ускоряет поиск неочевидных проблем в 10-20 раз. В нашем случае он указал на:
- Проблему с shared state в асинхронном коде
- Неправильную обработку исключений
- Отсутствие механизмов блокировки
Главное — правильно формулировать запросы и не бояться «глупых» вопросов. ИИ не осудит, если вы спросите: «Почему это не работает?»
А какой AI-инструмент используете вы для поиска багов? Copilot, ChatGPT, Codeium или что-то еще? Поделитесь опытом в комментариях — какие баги удавалось найти с помощью ИИ? 👇
Читайте также:
AI для рефакторинга: как улучшить чужой код за 5 минут
Генерация тестов с ИИ: покрываем код на 90% автоматически
ChatGPT для разработчиков: 7 неочевидных сценариев использования