Quest 111 - End-to-End AI Dev Pipeline

Quest 111: End-to-End AI Dev Pipeline

hard 30-45 minutes

🎯 Learning Objectives

✅ How to orchestrate AI tools across every SDLC phase (plan → code → test → review → deploy)
✅ Why sequential execution order matters — test MUST come after code
✅ How to track AI-enhanced stages vs manual stages in a pipeline
✅ How to generate pipeline reports showing AI usage statistics
✅ The engineering habit of building composable, observable pipelines

📖 Concept: AI Across the Full SDLC

ใน module ที่ผ่านมา เราได้เรียนรู้ AI tools สำหรับแต่ละ phase ของ software development — จาก prompt engineering ถึง code review, testing, security และ deployment. Quest นี้จะเชื่อมทุกอย่างเข้าด้วยกัน

End-to-End AI Pipeline คือการนำ AI tools มาใช้แบบครบวงจรในทุก step ของ SDLC (Software Development Lifecycle) แทนที่จะใช้ AI เฉพาะจุด เราจะสร้าง pipeline ที่ AI ช่วยในทุก phase:

Plan → Code → Test → Review → Deploy
  🤖      🤖     ❌     🤖      ❌

ในตัวอย่างข้างบน 🤖 หมายถึง AI-enhanced stage และ ❌ หมายถึง manual stage สิ่งสำคัญคือ pipeline ต้อง execute sequentially — code ต้องเสร็จก่อน test, test ต้องเสร็จก่อน review

ทำไม sequential ถึงสำคัญ? เพราะในโลกจริง คุณไม่สามารถ test code ที่ยังไม่เขียน หรือ review ระบบที่ยังไม่ได้ test Pipeline ที่ดีต้องเคารพ dependency chain นี้

⚙️ How It Works

Pipeline Architecture

┌─────────────────────────────────────────────┐
│              createPipeline(stages)          │
│                                             │
│  stages: [                                  │
│    { name: 'plan',   type: 'plan',    🤖 }, │
│    { name: 'code',   type: 'code',    🤖 }, │
│    { name: 'test',   type: 'test',    ❌ }, │
│    { name: 'review', type: 'review',  🤖 }, │
│    { name: 'deploy', type: 'deploy',  ❌ }, │
│  ]                                          │
│                                             │
│  execute() → results[]   (run all stages)   │
│  report()  → string      (summary stats)    │
└─────────────────────────────────────────────┘

Key Components

1. Pipeline Creation

รับ array of stages — แต่ละ stage มี name, type, และ aiEnhanced flag
เก็บ stages ไว้ใช้ระหว่าง execute

2. Sequential Execution

วนลูปผ่านแต่ละ stage ตามลำดับ
บันทึกผลลัพธ์ของแต่ละ stage: stage, type, status, aiUsed, duration
สำคัญ: test stage ต้อง run หลัง code stage เสมอ

3. Reporting

นับจำนวน stages ทั้งหมด vs stages ที่ใช้ AI
Return string summary เช่น "Pipeline complete: 5 stages, 3 AI-enhanced."

Execution Flow Diagram

execute() called
    │
    ▼
for each stage:
    ├─ Record start time
    ├─ Execute stage (simulate)
    ├─ Record: { stage, type, status, aiUsed, duration }
    └─ Move to next stage
    │
    ▼
lastResults = results
return results

💡 Example: Pipeline in Action

Creating a pipeline:

const stages = [
  { name: 'plan',   type: 'plan',   aiEnhanced: true },
  { name: 'code',   type: 'code',   aiEnhanced: true },
  { name: 'test',   type: 'test',   aiEnhanced: false },
  { name: 'review', type: 'review', aiEnhanced: true },
  { name: 'deploy', type: 'deploy', aiEnhanced: false },
];

const pipeline = createPipeline(stages);

Executing and reading results:

const results = pipeline.execute();
// [
//   { stage: 'plan',   type: 'plan',   status: 'completed', aiUsed: true,  duration: 0 },
//   { stage: 'code',   type: 'code',   status: 'completed', aiUsed: true,  duration: 0 },
//   { stage: 'test',   type: 'test',   status: 'completed', aiUsed: false, duration: 0 },
//   { stage: 'review', type: 'review', status: 'completed', aiUsed: true,  duration: 0 },
//   { stage: 'deploy', type: 'deploy', status: 'completed', aiUsed: false, duration: 0 },
// ]

Generating a report:

const report = pipeline.report();
// "Pipeline complete: 5 stages, 3 AI-enhanced."

Edge case — empty pipeline:

const emptyPipeline = createPipeline([]);
emptyPipeline.execute();  // → []

⚠️ Common Mistakes

Mistake 1: Running stages in parallel instead of sequential

“Test and code can run at the same time, right?” → ใน SDLC, test ต้องรอ code เสร็จ Pipeline ต้อง run ตามลำดับเสมอ

Mistake 2: Not tracking which stages use AI

“Just run all stages, doesn’t matter which ones use AI” → Pipeline report ต้องระบุได้ว่า AI-enhanced กี่ stage เพื่อ transparency

Mistake 3: Ignoring empty pipeline edge case

“An empty pipeline won’t happen in production” → Code ที่ดี handle empty input gracefully — return empty array ไม่ใช่ error

Mistake 4: Not recording execution metadata

“Just return the stage names” → แต่ละ result ต้องมี type, status, aiUsed, duration เพื่อ observability

📝 Knowledge Check

🏋️ Quest: End-to-End AI Dev Pipeline

Now it’s time to practice! Build an AI-powered SDLC pipeline.

Download ไฟล์เริ่มต้นของ quest:

npx bluebeltdojo download quest-111-e2e-pipeline
cd quest-111-e2e-pipeline

เปิด problem.js ใน editor ของคุณ — สังเกตว่า createPipeline() มีอยู่แล้วแต่ยังไม่สมบูรณ์
ทำความเข้าใจ contract: createPipeline(stages) ต้อง return object ที่มี execute(), stages, และ report()
Implement execute() — วนลูปผ่าน stages ตามลำดับ, บันทึกผลลัพธ์แต่ละ stage พร้อม metadata
Implement report() — สร้าง summary string ที่นับ total stages และ AI-enhanced stages
ตรวจสอบ solution ของคุณ:
Terminal window
```
node test.js
```
สำคัญ: อ่าน test output อย่างละเอียด — สังเกตว่า test ตรวจว่า stages run sequentially
When all tests pass, submit your solution:
Terminal window
```
npx bluebeltdojo submit
```

💡 Tip: ถ้า test ตรวจว่า “test runs after code (sequential)” ล้มเหลว — ตรวจสอบว่าคุณวนลูป stages ตามลำดับที่รับเข้ามา ไม่ใช่ sort หรือ run parallel

คำใบ้

อ่าน instructions ใน problem.js อย่างละเอียด
createPipeline() ต้อง return { execute, stages, report } — ไม่ใช่ return array
ผลลัพธ์ของ execute() ต้องมี stage, type, status, aiUsed, duration
ตรวจสอบ edge case: empty pipeline ต้อง return empty array
ถ้าติดขัด ลองอ่าน “Common Mistakes” อีกครั้ง — อย่าดู solution โดยตรง