Aký tech stack si použil na vytvorenie dashboardu a ako si integroval Bolt a Copilot do vývoja?
Použil som React na frontend aplikáciu, ktorá vizualizuje výsledky testov. Dáta z testov sa ukladajú do Azure Storage, odkiaľ ich aplikácia číta a zobrazuje. Na začiatku som všetko tvoril pomocou Bolt.new (promptom, ktorý mi najprv vygeneroval Claude), kde som spravil prvú iteráciu dashboardu s mock dátami. Postupne som iteroval dizajn a funkcionalitu. Keď projekt narástol, presunul som ho aj na GitHub, aby som vedel efektívnejšie využívať GitHub Copilot vo VS Code.

Na ktoré časti vývoja ti najviac pomohol Bolt a na ktoré GitHub Copilot?

• Bolt mi najviac pomohol pri prvotnej tvorbe celej aplikácie – scaffold projektu, dizajn dashboardu, integrácia s Azure Storage a aj väčšie featury (napr. autentifikácia cez Azure).
• GitHub Copilot som využíval hlavne pri menších úpravách – UI zmeny, refaktoring a optimalizácie kódu, kde bolo rýchlejšie písať priamo vo VS Code než promptovať Bolt.

Ako si kombinoval svoje vstupy s návrhmi AI – bol to skôr autopilot alebo viac párové programovanie?
Bol to skôr párový programming. Ja som dodával presné zadania a iteroval na výstupoch. Niekedy AI trafila hneď, inokedy bolo treba promptovať viackrát, prípadne revertovať na staršiu verziu a skúsiť inú cestu.

Vieš uviesť konkrétny príklad kódu alebo funkcionality, ktorú si vďaka Vibe codingu urobil rýchlejšie?
Áno, konkrétny príklad je implementácia Azure autentifikácie. Pomocou jedného promptu mi Bolt naimplementoval login flow, vďaka ktorému majú k testovacím výsledkom prístup iba členovia tímu. Toto by som manuálne robil oveľa dlhšie.

Ako dashboard vizualizuje výsledky testov – aké metriky a grafy sa zobrazujú?
Dashboard zobrazuje:

• Detekciu flaky testov
• Performance Analysis (najpomalšie testy)
• Most Frequently Failing Tests
• Key Insights & Recommendations
• AI Pipeline Analysis

Tieto dáta sú parsované zo JSON výsledkov z Cypress runov a vizualizované v prehľadných grafoch a tabulkách.6. Ako AI generuje návrhy na vylepšenie testov – na základe akých dát alebo vzorcov?
Na to používam AI asistenta z Azure AI Foundry. Ten sa spúšťa po každom novom test rune. Keď sa uploadne nový results file do Azure Storage, asistent ho spracuje a vygeneruje textový súbor s odporúčaniami. Tie vychádzajú z:

• úspešnosti testov (<85%),
• dĺžky testov (>60 sekúnd),
• miery flaky testov (>5%),
• environment/setup chýb,
• konkrétnych najčastejších failing testov.

Výsledkom je Copilot prompt, ktorý obsahuje konkrétne inštrukcie, ako optimalizovať testy.

Ako riešiš situácie, keď AI navrhne irelevantné alebo nesprávne odporúčania?

• Skúšam AI ďalej promptovať a upresňovať inštrukcie.
• Ak sa “stratí”, revertujem staršiu funkčnú verziu v Bolte.
• Zároveň si robím aj lokálne backupy, takže sa viem vždy vrátiť k stabilnému stavu.

Ako si riešil bezpečnosť dát z testov - odosielajú sa do AI nástroja, alebo ostávajú lokálne?
Dáta z testov sa ukladajú na náš Azure Storage. Dashboard ich číta odtiaľ a prístup je zabezpečený Azure autentifikáciou. Výsledky sa teda neodosielajú mimo našu infraštruktúru, AI pracuje iba s tým, čo je nahrané na Azure.

S akými obmedzeniami alebo problémami si sa stretol pri používaní Boltu a Copilota?

• Pri Bolte bol problém s prepojením GitHub účtu (kvôli rovnakému emailu), musel som si vytvoriť iný GitHub účet.
• Ďalšie obmedzenie je pri väčších projektoch – keďže Bolt používa kontext viacerých súborov, rýchlo sa spotrebujú tokeny. Riešil som to kombináciou Boltu a Copilota.
• Pri Copilote občas prídu irelevantné návrhy, ale to sa dá zvládnuť iterovaním alebo prepísaním menšej časti ručne.

O koľko sa ti zrýchlil vývoj vďaka Vibe codingu oproti klasickému prístupu?
Vývoj sa mi zrýchlil približne o 100 %. Celá aplikácia je v Reacte, s ktorým som predtým nerobil – bez AI by som to robil oveľa dlhšie, no takto som bol schopný rýchlo vybudovať funkčný dashboard aj s pokročilými featurami.