អត្ថបទនេះបកប្រែពីភាសាអង់គ្លេសដោយ AI។ អានអត្ថបទដើមជាភាសាអង់គ្លេស →
Claude Opus 5 បង្កើតកម្មវិធី Full-Stack ចេញពី Prompt តែមួយ៖ ជាប់តេស្ត 64/64 និងប្រឌិត package version អស់ 3
ជំនួសឱ្យការមើលតារាងតេស្តសមត្ថភាព (benchmark) ខ្ញុំបានឱ្យ folder ទទេមួយ និង prompt តែមួយទៅ Claude Opus 5៖ បង្កើតកម្មវិធី full-stack មួយមក។ ហើយខ្ញុំមិនបានសរសេរកូដកម្មវិធីសូម្បីតែបន្តិច។
លទ្ធផលចេញមកគឺ៖ dashboard គ្រប់គ្រងគម្រោងមួយដំណើរការយ៉ាងស្រួលលើ Next.js + FastAPI + SQLite + JWT ព្រមទាំងតេស្ត backend ជាប់ 64/64 ទាំងអស់។ វាក៏នៅមានចំណុចខ្វះខាតមួយចំនួនដែលខ្ញុំនឹងបង្ហាញអ្នកឱ្យឃើញត្រង់ៗដូចគ្នា។
▶ WATCH ON YOUTUBEWatch the video
ហេតុអ្វីជា Opus 5
Anthropic បានចេញផ្សាយ Opus 5 កាលពីថ្ងៃទី 24 ខែកក្កដា ឆ្នាំ 2026 ដោយតម្រង់ទិសដៅសម្រាប់កិច្ចការសរសេរកូដបែបស្វ័យប្រវត្តិកម្រិតស្មុគស្មាញ (agentic coding)។ វាជាម៉ូដែលគោលនៅលើ Claude Max និងជាម៉ូដែលខ្លាំងបំផុតនៅលើ Claude Pro ដូច្នេះហើយទើបជាជម្រើសដែលមនុស្សភាគច្រើនកំពុងប្រើ។ Anthropic ក៏បានអះអាងដែរថា វាពូកែជាងមុនខ្លាំងក្នុងការផ្ទៀងផ្ទាត់ការងារខ្លួនឯង និងកែសម្រួលម្តងហើយម្តងទៀតរហូតដល់ជោគជ័យ។ ពាក្យអះអាងនេះហើយដែលខ្ញុំចង់យកមកតេស្តមើលផ្ទាល់ភ្នែក។
លក្ខខណ្ឌនៃការតេស្ត
គម្រោងដែលត្រូវធ្វើគឺ FlowDesk ជាប្រព័ន្ធ SaaS គ្រប់គ្រងគម្រោងបែបស្តង់ដារប្រើការជាក់ស្តែង (production-style)។
- Stack ប្រើ៖ Next.js + TypeScript, FastAPI + Python, SQLite, JWT auth និងឈុតតេស្តកូដជាក់ស្តែង
- លក្ខខណ្ឌកំណត់៖
- ចាប់ផ្តើមចេញពី folder ទទេស្អាតមួយ (
challenge-app) ដោយមិនប្រើ template ឡើយ - ប្រើ prompt មេតែមួយគត់
- ខ្ញុំមិនសរសេរកូដកម្មវិធីឡើយ
- Claude ត្រូវដោះស្រាយ error ដោយខ្លួនឯង
- កម្មវិធីត្រូវតែដំណើរការបានពិតប្រាកដ មិនមែនគ្រាន់តែ compile ចេញ ឬមើលទៅស្អាតតែក្នុងរូប screenshot នោះទេ
- ចាប់ផ្តើមចេញពី folder ទទេស្អាតមួយ (
វាពិនិត្យមើលម៉ាស៊ីនជាមុនសិន
មុនពេលចាប់ផ្តើមសរសេរកូដ វាបានព្រាងរចនាសម្ព័ន្ធទុកជាមុន រួចពិនិត្យមើលស្ថានភាពម៉ាស៊ីនកុំព្យូទ័រជាក់ស្តែង៖
- វាបានរត់ពាក្យបញ្ជា
lsofឃើញ port 3000 ជាប់រវល់ ក៏រើសយក 3001 វិញ - ឃើញថាគ្មាន
uvក្នុងម៉ាស៊ីន ក៏ប្តូរមកប្រើvenvស្តង់ដារវិញ - ថែមទាំងកត់សម្គាល់ឃើញទៀតថា ទំហំផ្ទុកក្នុងម៉ាស៊ីន (disk space) នៅសល់តិចកម្រិតណា
គម្រោងភាគច្រើនដែល AI បង្កើត តែងតែគិតថាម៉ាស៊ីនស្អាតគ្មានជាប់អ្វីទាំងអស់ ដល់ពេលយកមកដំណើរការលើម៉ាស៊ីនជាក់ស្តែងក៏គាំងតែម្តង។ ប៉ុន្តែសម្រាប់គម្រោងនេះ រចនាសម្ព័ន្ធចុងក្រោយចេញមកត្រូវគ្នាបេះបិទនឹងគម្រោងដែលវាបានព្រាងទុកតាំងពីដំបូង។
ផ្នែក Backend
វាមិនបានសរសេរកូដទាំងអស់ញាត់ចូលក្នុង main.py តែមួយនោះទេ។ វាបានបំបែកជា module ដាច់ៗពីគ្នាសម្រាប់ config, database, models, schemas, security និង dependencies ព្រមទាំងមាន router មួយសម្រាប់ resource នីមួយៗ (auth, projects, tasks, users, dashboard)។ លើសពីនេះ មាន 18 endpoints នៅលើ 11 routes ដែលសុទ្ធតែបានកំណត់ type និង validate ត្រឹមត្រូវទាំងអស់។
ចំណុចដែលលាតត្រដាងច្បាស់បំផុត៖ ប្រឌិត version របស់ package
វាបានកំណត់លេខ version ជាក់លាក់របស់ dependency ចេញពីការចងចាំរបស់វា ប៉ុន្តែក្នុងនោះមានបីដែលគ្មានពិតប្រាកដទាល់តែសោះ៖
bcrypt 5.0.1email-validator 2.4.0httpx 0.29.0
version ទាំងអស់នេះមើលទៅទំនងណាស់ តែសុទ្ធតែជារឿងប្រឌិត ដោយសារវាផុតពីដែនកំណត់នៃទិន្នន័យបណ្តុះបណ្តាល (training data) របស់វា ដែលជាកន្លែងម៉ូដែល AI មិនសូវគួរឱ្យទុកចិត្តបំផុត។ នេះជាការវិភាគរកមូលហេតុដោយខ្លួនវាផ្ទាល់នៅក្នុង build log៖
ខ្ញុំបានប្រឌិតលេខ patch release ឡើងមកខ្លួនឯង។ តាមពិត bcrypt ជំនាន់ចុងក្រោយបំផុតគឺ 5.0.0 មិនមែន 5.0.1 នោះទេ។
វាបានប្រាប់ពីបញ្ហាដែលកើតឡើង កែសម្រួលទាំងបីនោះឡើងវិញ ហើយបន្តធ្វើការទៅមុខទៀតដោយមិនចាំបាច់ឱ្យខ្ញុំប្រាប់ឡើយ។
មេរៀនសម្រាប់គម្រោងផ្ទាល់ខ្លួនរបស់អ្នក៖ ត្រូវផ្ទៀងផ្ទាត់ version ដែល AI បានកំណត់ ជាមួយបញ្ជី package ជាក់ស្តែងជានិច្ច។
វាក៏បានរំលង passlib ផងដែរ (ដែលជាជម្រើសទូទៅក្នុងមេរៀន FastAPI ភាគច្រើន) ពីព្រោះ passlib ដំណើរការដោយទាញយក attribute មួយរបស់ bcrypt ដែលត្រូវបានលុបចេញក្នុង version ថ្មីៗ ហើយវាថែមទាំងបានសរសេរពន្យល់ពីមូលហេតុនេះនៅក្នុង comment ទៀតផង។
ផ្នែក Frontend
នៅផ្នែកខាងមុខ វាប្រើ Next.js App Router, API client រួមមួយ, auth context សម្រាប់ផ្ទុក token និងroute group ដែលការពារគ្រប់ទំព័រតម្រូវឱ្យ login ដូច្នេះមិនបាច់ព្រួយរឿងភ្លេចឆែកនោះទេ។ វាមាន 16 components ព្រមទាំងរៀបចំគ្រប់ស្ថានភាព ទាំង loading, ពេលគ្មានទិន្នន័យ (empty) និងពេលមាន error។
ទិន្នន័យគំរូ (seed data) ក៏ជាចំណុចពិសេសមួយដែលគួរលើកឡើងដែរ។ អ្នកប្រើសម្រាប់ demo មានឈ្មោះថា "Avery Chen, Director of Product Operations" ហើយកិច្ចការនានាមើលទៅដូចជា "dunning email sequence for failed payments" និង "fix IDOR on the export endpoint"។ បើ dashboard ពោរពេញដោយពាក្យ "Project One" វាដូចជាមេរៀនហាត់រៀន ប៉ុន្តែទិន្នន័យនេះមើលទៅដូចជាការងារពិតប្រាកដក្នុងថ្ងៃអង្គាររបស់នរណាម្នាក់អ៊ីចឹង។
វាក៏បានពិនិត្យមើល responsive layout លើទំហំអេក្រង់ 1440, 768 និង 375 px ដោយខ្លួនឯង តាមរយៈការវាស់វែងជាក់ស្តែង មិនមែនស្មានៗនោះទេ។
តើវាដំណើរការដែរឬទេ?
ដំណើរការបាន តាំងពីលើកដំបូង។ Uvicorn រត់លើ port 8000 រីឯ Next.js រៀបចំរួចរាល់ក្នុងរយៈពេលត្រឹម 330 ms ដោយគ្មាន traceback អ្វីឡើយ។
រឿងនេះស្តាប់ទៅប្រហែលជាមិនសូវរំភើប ប៉ុន្តែវាជាលទ្ធផលមួយដ៏ល្អ៖ កំហុសទាំងឡាយបានកើតឡើងអំឡុងពេល install រួចហើយ ហើយក៏ត្រូវបានដោះស្រាយរួចរាល់មុនពេលអ្វីៗចាប់ផ្តើមដំណើរការទៅទៀត។ ខ្ញុំអាចកែសម្រួលបញ្ចូលកំហុសទាំងនោះដើម្បីឱ្យវាមើលទៅដូចជាគាំងពេលរត់លើកដំបូងបាន ប៉ុន្តែខ្ញុំមិនធ្វើបែបនោះឡើយ។
ដោយមិនបាច់មានអ្នកប្រាប់ វាបានតេស្តហៅ health endpoint របស់ខ្លួនឯងភ្លាមៗក្រោយពេលបើកដំណើរការ ហើយទទួលបានលេខកូដ 200 ត្រឡប់មកវិញ។ នេះហើយជាភាពខុសគ្នារវាងការធ្វើឱ្យតែរួចដៃ និងការធ្វើហើយផ្ទៀងផ្ទាត់ត្រឹមត្រូវ។
កម្មវិធីដែលដំណើរការបាន៖ បង្ហាញគម្រោងដែលមានស្ថានភាព ភាគរយសម្រេច និងកាលបរិច្ឆេទកំណត់ ព្រមទាំងមានកិច្ចការងារដែលបង្ហាញកម្រិតអាទិភាព អ្នកទទួលខុសត្រូវ និងគម្រោងពាក់ព័ន្ធ ដែលទិន្នន័យទាំងអស់ត្រូវបានរក្សាទុកក្នុង SQLite។ វាបង្ហាញ 7 គម្រោង, 40 កិច្ចការ, សម្រេចបាន 35%, ហួសកាលកំណត់ 3 ហើយគ្រប់តួលេខទាំងអស់គឺសុទ្ធតែគណនាចេញពី backend ផ្ទាល់ មិនមែនសរសេរលេខដាក់ចោល (hardcode) នោះទេ។
ពិនិត្យមើលកូដ (Code review)៖ ចំណុចដែលធ្វើបានល្អ
- ការ Login មិនបែកធ្លាយគណនី៖ មិនថាគណនីគ្មានក្នុងប្រព័ន្ធ ឬវាយលេខសម្ងាត់ខុសទេ គឺដើរតាមច្រកតែមួយ និងបង្ហាញសារដូចគ្នា
- ទម្រង់ Error មានស្តង់ដារដូចគ្នា៖ គ្រប់ error ទាំងអស់សុទ្ធតែមានទម្រង់ដូចគ្នា គឺមានកូដ (code) មួយ និងសារបញ្ជាក់ (message) មួយ
ចំណុចដែលនៅខ្វះខាត
- Token ត្រូវបានទុកក្នុង localStorage ដូច្នេះការការពារ route គឺដំណើរការតែលើ client-side ប៉ុណ្ណោះ
- គ្មានប្រព័ន្ធបែងចែកទំព័រ (No pagination) នៅកន្លែងណាទាំងអស់
- API អាចកែកិច្ចការបានដល់ទៅប្រាំរបៀប ដែល UI មិនបានបង្ហាញមុខងារទាំងនោះទាល់តែសោះ
ផ្ទៀងផ្ទាត់ពាក្យថា "រួចរាល់"
ម៉ូដែល AI គ្រាន់តែនិយាយថាវាធ្វើរួច និងការធ្វើរួចពិតប្រាកដជាក់ស្តែង គឺជារឿងពីរផ្សេងគ្នា។
- តេស្តជាប់ 64/64៖ រួមមាន auth, ការ login មិនត្រឹមត្រូវ, protected endpoints, projects, tasks និង profile។ ខ្ញុំមើលឃើញលទ្ធផលនេះចេញពី output ផ្ទាល់របស់
pytestមិនមែនជឿតាមការសង្ខេបរបស់ AI នោះទេ។ - ការតេស្ត API ដោយផ្ទាល់ដៃ៖
- Protected endpoint គ្មាន token → 401
- Token ក្លែងក្លាយ → 401
- លេខសម្ងាត់ត្រឹមត្រូវ → ទទួលបាន token ពិតប្រាកដដែលមានហត្ថលេខាត្រឹមត្រូវ
- លេខសម្ងាត់ខុស → 401
ពិន្ទុវាយតម្លៃរបស់ខ្ញុំ
| ផ្នែកវាយតម្លៃ | ពិន្ទុ |
|---|---|
| ការរៀបចំផែនការ | 9/10 |
| គុណភាពកូដ | 8/10 |
| ផ្ទៃកម្មវិធី (Interface) | 9/10 |
| ការដោះស្រាយកំហុស (Debugging) | 9/10 |
| ការធ្វើតេស្ត (Testing) | 7/10 |
| ភាពម្ចាស់ការ (Autonomy) | 9/10 |
| សរុប | 51/60 |
ការធ្វើតេស្តគឺជាផ្នែកដែលខ្សោយជាងគេ៖ តេស្តទាំង 64 គឺសម្រាប់តែ backend ប៉ុណ្ណោះ ដោយគ្មានការតេស្តលើ frontend សូម្បីតែបន្តិច ហើយក៏មិនធ្លាប់ដំណើរការ production build ឡើយ។ នេះជាចន្លោះប្រហោងដែលមនុស្សយើងត្រូវតែចូលមកបំពេញបន្ថែម មុនពេលដាក់ឱ្យដំណើរការជាផ្លូវការ។
ចំណុចសំខាន់ៗដែលដកស្រង់បាន
- វាបានរៀបចំផែនការ សរសេរកូដ ជួបបញ្ហា វិភាគរកមូលហេតុដោយខ្លួនឯងជាភាសាម៉ញ្ញ ហើយអាចធ្វើការងារតែម្នាក់ឯងបានច្រើនជាងការរំពឹងទុករបស់ខ្ញុំឆ្ងាយណាស់។
- ត្រូវប្រយ័ត្នរឿងប្រឌិត package version ខ្លួនឯង នៅពេលដែលវាផុតកំណត់ទិន្នន័យបណ្តុះបណ្តាល (training cutoff) របស់វា។
- ពាក្យថា "តេស្តជាប់" គឺគ្របដណ្តប់តែលើអ្វីដែលគេបានតេស្តប៉ុណ្ណោះ។ ត្រូវពិនិត្យមើលថា តើការតេស្តនោះគ្របដណ្តប់លើអ្វីខ្លះឱ្យប្រាកដ។
- គួរអានមើលលទ្ធផលតេស្តផ្ទាល់ (raw output) ជាជាងជឿតាមការសង្ខេបរបស់ AI។
▶ WATCH ON YOUTUBEដំណើរការបង្កើតទាំងមូល តាំងពីដើមដល់ចប់៖
តើអ្នកចង់ឱ្យខ្ញុំសាកល្បងឱ្យ AI agent បង្កើតអ្វីបន្តទៀត? សូមប្រាប់ខ្ញុំនៅក្នុង comment ខាងក្រោម។
អត្ថបទនេះត្រូវបានព្រាងឡើងដោយមានជំនួយពី AI ចេញពីវីដេអូកត់ត្រានៃការបង្កើតជាក់ស្តែង។ ខ្ញុំបង្កើតវីដេអូបង្រៀនអំពី AI ការសរសេរកូដ និងបច្ចេកវិទ្យានៅលើ RainyTech។


