Lav et kode-review
Gennemgå kode for korrekthed, sikkerhed, vedligeholdelse og performance. Praktisk guide med eksempler, workflow, faldgruber og konkrete kontrolpunkter.
Du er senior reviewer med fokus på korrekthed og vedligeholdelse.
FORMÅL
Hjælp mig med: lav et kode-review.
INPUT
- [KODE/DIFF]: indsæt her
- [SPROG/FRAMEWORK/VERSION]: indsæt her
- [FORMÅL OG KRAV]: indsæt her
- [TESTSTATUS]: indsæt her
ARBEJDSMETODE
1. Læs først for funktionel korrekthed.
2. Tjek sikkerhed og datavalidering.
3. Vurder performance og edge cases.
4. Adskil blockers fra nice-to-have stilforslag.
KRAV
- Brug kun fakta og data, jeg har givet, medmindre du tydeligt markerer andet som antagelse.
- Stil højst tre præcise afklarende spørgsmål, hvis afgørende input mangler.
- Skriv på dansk, klart og uden unødvendige AI-floskler.
- Gør usikkerhed og nødvendige faktatjek tydelige.
OUTPUT
Review med severity, fil/linje eller kodeområde, problem, konsekvens og konkret forslag. Afslut med testcases.
UNDGÅ
- stilkommentarer der overskygger bugs.
- påstande uden at pege på kode.
- at foreslå breaking changes uden grund.Kort fortalt: Gennemgå kode for korrekthed, sikkerhed, vedligeholdelse og performance. Denne prompt er bygget til at give modellen nok kontekst til at levere et resultat, du faktisk kan bruge – samtidig med at den begrænser gæt og generisk fyld.
Hvornår er prompten nyttig?
Brug den, når du vil lav et kode-review og har brug for en mere systematisk arbejdsgang end en løs én-linjers instruktion. Den fungerer især godt, når du indsætter dit eget materiale i stedet for at bede AI om at gætte konteksten.
Promptens rolle er formuleret som senior reviewer med fokus på korrekthed og vedligeholdelse. Det betyder ikke, at modellen bliver en rigtig ekspert, men rollen hjælper med at styre fokus, terminologi og hvilke kontrolspørgsmål den bør stille.
Det skal du give AI
- Kode/diff
- Sprog/framework/version
- Formål og krav
- Teststatus
Du behøver ikke have alle punkter klar. Mangler noget afgørende, instruerer prompten AI om at spørge i stedet for at udfylde hullet selv. Det er særligt vigtigt ved SEO-data, kundedata, priser, resultater og andre oplysninger, hvor en opdigtet detalje kan gøre outputtet misvisende.
Sådan arbejder prompten
- Læs først for funktionel korrekthed
- Tjek sikkerhed og datavalidering
- Vurder performance og edge cases
- Adskil blockers fra nice-to-have stilforslag
Eksempel på input
Pull request der tilføjer REST-endpoint til WordPress med brugerdata og pagination.
Er dit input langt, kan du med fordel indsætte dokumentet eller data først og derefter sende selve prompten. Ved store opgaver er det ofte bedre at få analyse og disposition godkendt, før modellen producerer det endelige output.
Hvad får du tilbage?
Review med severity, fil/linje eller kodeområde, problem, konsekvens og konkret forslag. Afslut med testcases.
Fejl prompten hjælper dig med at undgå
- stilkommentarer der overskygger bugs
- påstande uden at pege på kode
- at foreslå breaking changes uden grund
Kvalitetssikr altid det færdige svar. AI kan være overbevisende, selv når den tager fejl. Kontroller især tal, links, citater, juridiske eller medicinske forhold, produktfunktioner og oplysninger der kan have ændret sig.
Tilpas prompten til ChatGPT, Claude eller Gemini
Selve strukturen er modeluafhængig. I ChatGPT, Claude og Gemini kan du bruge den direkte og derefter forbedre resultatet med opfølgende instruktioner. Arbejder du med filer eller meget lang kontekst, så fortæl modellen hvilke dele af materialet der har højest prioritet, og bed den henvise tilbage til inputtet, når den drager en konklusion.
Sådan ser et stærkt input ud
Et realistisk eksempel er en pull request med ny REST-endpoint og auth-logik. Det vigtigste er ikke at kopiere eksemplet ordret, men at give modellen de oplysninger der afgør kvaliteten. Fjern tomme felter, prioriter de vigtigste krav og indsæt originale data, når opgaven afhænger af dem.
Ved professionelle opgaver bør du også skrive hvad modellen ikke må antage. Det kan være priser, resultater, søgevolumen, juridiske forhold eller interne beslutninger. På den måde bliver manglende viden synlig i stedet for skjult i et overbevisende svar.
Sådan vurderer du outputtet
Et godt svar på denne prompt bør ende med et review opdelt i correctness, security, maintainability, tests og performance. Brug nedenstående kriterier som et lille review, før du kopierer resultatet videre til en kunde, kollega eller publicering.
- Henviser til konkret kodeadfærd.
- Prioriterer alvor frem for stilsmag.
- Foreslår testbare rettelser.
- Alle vigtige fakta, tal, links og navne kan kontrolleres mod en kilde eller dit eget input.
- Outputtet kan bruges i den næste arbejdsgang uden at du først skal gætte hvad modellen mente.
Brug prompten som et workflow – ikke som et engangstrick
Den første generation bør sjældent være sidste trin. Bed modellen vise de valg, der påvirker resultatet, og arbejd derefter videre på de svageste dele. Det giver mere kontrol end at sende samme hovedprompt igen og håbe på et bedre svar.
Tre gode opfølgninger
- Lav kun blocker/major issues.
- Skriv konkrete testcases til de vigtigste fund.
- Foreslå en mindre kompleks struktur.
Hvornår skal du ikke bruge prompten alene?
Hvis resultatet påvirker økonomi, jura, sikkerhed, ansættelse, medicin, persondata eller en vigtig forretningsbeslutning, bør AI-output være et arbejdsudkast og ikke den endelige autoritet. Brug relevante fagkilder og en menneskelig godkendelse. Det samme gælder når opgaven kræver aktuelle data, som ikke er en del af dit input.
Arbejdsskabelon til lav et kode-review
Brug denne prompt i tre passager i stedet for at presse hele opgaven ind i én generation. Første passage handler om forståelse: bed modellen opsummere opgaven, pege på manglende input og gentage de vigtigste begrænsninger. Anden passage handler om produktion: få selve leverancen i det format du har bedt om. Tredje passage er review: få modellen til at kontrollere sit eget output mod dine kriterier, men lav stadig din egen faglige kontrol bagefter.
“Gentag målet, list manglende data og fortæl hvad du ikke kan dokumentere ud fra mit input.”
“Lav nu outputtet. Følg de prioriterede krav og markér antagelser direkte dér hvor de bruges.”
“Kontrollér resultatet mod kravene. Vis kun konkrete fejl, mangler eller steder der kræver menneskelig verifikation.”
Metoden gør det nemmere at opdage når et dårligt resultat skyldes manglende input frem for en dårlig formulering. Den gør også prompten lettere at genbruge, fordi du kan ændre data og krav uden at omskrive hele arbejdsformen.
Gem en version når opgaven gentages
Til tilbagevendende arbejde bør du gemme en lille version note: hvad prompten bruges til, hvilket input der kræves, hvilke cases den er testet på, og hvilke kendte fejl der stadig findes. Det er især nyttigt i teams, hvor “den gode prompt” ellers hurtigt ender som fem næsten ens dokumenter uden en fælles standard.
Ofte stillede spørgsmål
Kan jeg bruge prompten til lav et kode-review i ChatGPT?+
Ja. Prompten er skrevet modeluafhængigt og kan bruges i ChatGPT samt normalt også i Claude og Gemini. Tilpas inputfelterne til din konkrete opgave.
Skal jeg udfylde alle felterne?+
Nej, men jo mere relevant kontekst du giver, desto mindre behøver modellen at gætte. Fjern felter der ikke er relevante, og bed AI spørge hvis kritisk information mangler.
Hvordan får jeg et bedre resultat?+
Brug faktiske data, eksempler og begrænsninger. Gennemgå først analysen eller strukturen og bed derefter om det færdige output. Kontrollér altid fakta før publicering eller brug.
Hvordan får jeg mere konsistente resultater med denne prompt?+
Gem et lille testsæt med realistiske inputs, brug samme kvalitetskriterier hver gang, og ændr én del af prompten ad gangen. Så kan du se om en ændring reelt forbedrer resultatet.
Skal jeg kopiere hele prompten hver gang?+
Nej. Bevar den stabile struktur, men fjern irrelevante krav og udskift inputfelterne med konkrete data. En kortere prompt med bedre kontekst er ofte stærkere end en meget lang standardskabelon.