Rails dáva AI pevné mantinely, a preto v ňom AI menej halucinuje. V čom má Rails pri práci s AI navrch a kedy môžu byť lepšou voľbou Rust, Django či Next.js.
S AI asistentmi programujem každý deň a v Rails projektoch mi pomáhajú citeľne lepšie než inde. Menej po nich opravujem, menej im vysvetľujem a len zriedka si niečo vymyslia. Konvencie Rails mali pôvodne šetriť čas ľuďom. S AI sa vyplácajú dvakrát: AI ich pozná z tisícok projektov, a tak toho musí hádať menej. Má to však aj svoje hranice.
Konvencie dávajú AI pevné mantinely
Rails stojí na princípe convention over configuration. Model Order je v app/models/order.rb, jeho tabuľka sa volá orders, controller je OrdersController a šablóny sú v app/views/orders/. Rovnako to vyzerá v každom Rails projekte.
app/
models/order.rb
controllers/orders_controller.rb
views/orders/index.html.erb
helpers/orders_helper.rb
jobs/cancel_stale_orders_job.rb
mailers/order_mailer.rb
db/migrate/20261002120000_create_orders.rb
spec/models/order_spec.rbAI preto nemusí hádať, kde je biznis logika, ako sa volá súbor ani kam patrí nový job. Takúto štruktúru už videla v obrovskom množstve projektov. V projekte s vlastnou architektúrou musí najprv zisťovať, ako to funguje práve u vás, a podľa mojej skúsenosti práve vtedy vzniká najviac halucinácií: vymyslené cesty k súborom, neexistujúce helpery či importy z modulov, ktoré v projekte vôbec nie sú.
David Heinemeier Hansson, autor Rails, to na oficiálnej stránke Rails zhrnul tak, že konvencie za vyše 20 rokov vytvorili pre AI obrovské množstvo kvalitných trénovacích dát. Ako dobre AI Rails zvláda, ukazuje aj prvý benchmark AI agentov, ktorý Rails Foundation zverejnila v auguste 2026. Osem modelov v ňom riešilo 21 úloh na skutočnej Rails aplikácii Writebook od 37signals. Najlepší model vyriešil 58 zo 63 pokusov a šesť úloh vyriešili všetky modely vo všetkých pokusoch. Autori to zhrnuli tak, že menšie samostatné úlohy v Rails sú pre najlepšie modely v podstate vyriešený problém.
Benchmark ukázal aj jednu slabinu. Zabudované Rails API modely použili len v 8 až 35 % pokusov, inak napísali vlastné riešenie. Keď po API siahli, uspeli v 92 % prípadov, s vlastným riešením v 87 %. AI sa teda v Rails vyzná dobre, no zabudované metódy občas nahradí vlastným kódom. Aj preto sa v Rails oplatia dobré testy.
Generátory píšu kód za AI
AI nemusí model, controller, šablóny ani testy písať od nuly. Stačí jeden príkaz:
bin/rails generate scaffold Order customer:references email:string status:integerRails vytvorí model, migráciu, controller, šablóny, routes aj testy, každý súbor na správnom mieste a správne pomenovaný. AI potom dopíše len to, čo je pre váš projekt špecifické, a výsledok zodpovedá konvenciám, ktoré pozná každý Rails vývojár.
Kód sa číta ako bežný text
class Order < ApplicationRecord
belongs_to :customer
has_many :line_items, dependent: :destroy
has_many :products, through: :line_items
validates :email, :line_items, presence: true
enum :status, { pending: 0, paid: 1, shipped: 2, cancelled: 3 }
scope :stale, -> { where(created_at: ..7.days.ago) }
def cancel!
cancelled! if pending?
end
end
Order.pending.stale.find_each(&:cancel!)Objednávka patrí zákazníkovi, má položky a cez ne produkty. E-mail a položky sú povinné. Posledný riadok zruší nezaplatené objednávky staršie ako týždeň. Zadanie v angličtine a výsledný kód sú si veľmi blízko, takže AI takýto kód ľahko číta aj píše. Čitateľný je aj Python, Rails však k tomu pridáva vlastné výrazy ako has_many, validates či 7.days.ago.
Tokeny: Ruby patrí medzi najstručnejšie jazyky
Martin Alderson porovnal, koľko tokenov potrebuje 19 populárnych jazykov na rovnaké úlohy z projektu RosettaCode. Ruby skončilo tretie s priemerom asi 115 tokenov na úlohu. Python potreboval 128, JavaScript 181, Java 187 a Rust takmer 200. Menej tokenov znamená nižšiu cenu, rýchlejšie odpovede a do kontextového okna modelu sa zmestí väčšia časť projektu.
Pri celých frameworkoch sú rozdiely menšie, než by sa mohlo zdať. V nadväzujúcom teste nechal Alderson AI naprogramovať malý blog v 19 frameworkoch a potom do neho pridať ďalšiu funkciu. Pri vytvorení aplikácie od nuly spotreboval Rails asi 42 000 tokenov, rovnako ako Next.js. Django vystačilo s približne 30 000. Pri pridaní ďalšej funkcie však Rails potreboval len asi 18 000 tokenov a patril medzi najúspornejšie frameworky v teste. Práve to je pri reálnom projekte podstatnejšie: aplikácia sa vytvára raz, nové funkcie do nej pribúdajú neustále. Každý framework sa testoval len raz, takže čísla treba brať ako približné.
Kedy sú lepšou voľbou iné technológie
Rust je rýchlejší, potrebuje zlomok pamäte a má prísny statický typový systém. Kompilátor zachytí veľa chýb, ktoré AI urobí, ešte pred spustením, napríklad neexistujúcu metódu alebo zlý typ. V Ruby sa takáto chyba ukáže až za behu programu, preto sú v Rails dobré testy nevyhnutné. Rust však nemá webový framework s pevnými konvenciami. Axum aj Actix sú minimalistické a štruktúru projektu, prácu s databázou či joby si každý tím skladá sám. Loco sa snaží byť „Rails pre Rust“, je však mladý a málo rozšírený. AI tak musí sama robiť architektonické rozhodnutia, ktoré v Rails za ňu robia konvencie, a výsledok nemusí vyzerať tak, ako by ho navrhol skúsený Rust vývojár.
Django a Laravel stavajú na podobných konvenciách ako Rails, takže väčšina výhod z tohto článku platí aj pre ne. Rails má oproti nim výhodu v samotnom jazyku: Ruby je stručnejšie ako Python aj PHP, v Aldersonovom porovnaní asi 115 tokenov na úlohu oproti 128 a 165. V teste frameworkov vyšiel Rails pri vytváraní aplikácie od nuly lacnejšie ako Laravel, no drahšie ako Django. Pri pridávaní funkcií bol však úspornejší ako Django. Keďže Django je napísané v Pythone, má k dispozícii aj jeho knižnice na prácu s dátami a strojové učenie.
TypeScript s Next.js je dobrá voľba pre aplikáciu s bohatým interaktívnym frontendom. Jeden jazyk pokryje klienta aj server a typy pomáhajú AI podobne ako v Ruste.
Záver
Konvencie mali pôvodne šetriť čas ľuďom, v dobe AI sa vyplácajú dvakrát. AI toho v Rails musí hádať menej, pretože veľkú časť rozhodnutí za ňu urobili konvencie, a preto menej blúdi a menej si vymýšľa. Najlepšie modely podľa benchmarku Rails Foundation zvládajú menšie Rails úlohy takmer spoľahlivo. Ruby patrí medzi najstručnejšie jazyky a podľa Aldersonovho testu je Rails pri pridávaní nových funkcií úsporný aj na tokeny. Iné technológie majú svoje silné stránky: Rust je výkonnejší a typované jazyky odhalia viac chýb už pri kompilácii. Modely sa zlepšujú rýchlo a o pár rokov to môže byť inak. Dnes je však Ruby on Rails pre webovú aplikáciu, ktorú chcete vyvíjať s pomocou AI, jednou z najlepších volieb.
Ak sa chcete porozprávať, ako využiť Rails a AI vo svojom projekte, pokojne mi napíšte.