Coderabbit является одним из крупнейших потребителей моделей рассуждений в отрасли, сжигая Openai’s O1, O3 Mini и Claude Sonnet 3.5 (и теперь Claude 4.0) в масштабе. Но это не первый стартап -основатель и генеральный директор Харджота Гилла, и он не просто строит еще одного помощника по кодированию. Вместо этого он рассматривает то, что он считает самым постоянным узким местом разработки программного обеспечения: процесс обзора кода человека.
«Большое узкое место в программном обеспечении для доставки — это процесс обзора кода, особенно когда вы выращиваете свою команду», — сказал Гилл в этом в пути новых производителей стека, записанных в Google Cloud Next.
«Запросы на вытягивание начинают иметь много столкновений эго, много обсуждений взад и вперед, пока в какой -то момент вы не поймете, что теперь требуется несколько недель, чтобы отправить даже относительно незначительные изменения».
И вот кикер: это узкое место на самом деле ухудшилось, поскольку инструменты кодирования ИИ пролились.
В этом эпизоде новых производителей стека Гилл сел с основателем TNS и издателем Алексом Уильямсом, чтобы рассказать о решении узких мест для решения, автоматизируя обзор кода с большими языковыми моделями. Пара обсудила, как Code Rabbit обрабатывает все различные способы доставки кода — будь то человек или ИИ по происхождению — может пойти не так.
Парадокс кода, сгенерированного AI,
В то время как такие инструменты, как Github Copilot и Coursor, имеют значительно ускоренную генерацию кода, они создали неожиданный побочный эффект.
«Человеческие разработчики в настоящее время становятся рецензентами кода ИИ», — сказал Джилл. «Но много раз вы не знаете, что происходит в этом коде-особенно сейчас с ростом кодирования атмосфера»,-отметил он, ссылаясь на практику начала с описательных, высоких текстовых подсказок и просьбы ИИ генерировать существенные куски кода.
Этот сдвиг принципиально изменил рабочий процесс разработчика. Вместо того, чтобы тщательно создавать каждую строку, разработчики все чаще занимаются рецензированием и пониманием кода, который они не писали — код, который может содержать тонкие ошибки, уязвимости безопасности или архитектурные несоответствия, которые всплывают только на этапе обзора.
Подход Coderabbit отличается от традиционных инструментов статического анализа, которые полагаются на жесткие системы на основе правил с высокими ложноположительными скоростями. «Эти системы, основанные на правилах, не понимают намерения изменения кода»,-сказал Гилл. «Когда человек приходит, они смотрят на архитектуру. Они смотрят на значение — у них много племенных знаний».
Построение контекста в масштабе
ИИ эквивалент знаний племен — это контекст — огромные его количество. Coderabbit создает среды песочницы для каждого запроса на вытяжение, клонируя целые репозитории и предоставляя агентам AI доступ к навигации кодовых баз, как и люди.
Система может генерировать команды CLI, поиск через файлы, анализировать абстрактные синтаксические деревья и даже извлекать дополнительный контекст из внешних источников, таких как билеты JIRA или базы данных уязвимости безопасности. Это агент -подход, который выходит далеко за рамки простого сопоставления рисунков.
Но создание надежных агентов ИИ не без проблем. «Сложные ошибки», — предупредил Джилл. «Если вы подключаете несколько агентов, ваш первый уровень агента, скажем, 5% галлюцинации или ошибок. Следующий шаг увидит 10%, потому что каждый шаг вы углубляетесь в цепочке, тем хуже становятся эти ошибки».
Будущее обзора кода
В конечном счете, Джилл нарисовал картину обзора кода, развивающуюся от чисто человеческой деятельности, до гибридного процесса, где ИИ обрабатывает тяжелую работу контекстного сбора и первоначального анализа, в то время как люди сосредотачиваются на архитектурных решениях более высокого уровня и проверке бизнес-логики.
Последствия выходят за рамки более быстрых обзоров кода. Как отметил Джилл, «почти каждая проблема, которую вы видите, можно проследить до некоторого изменения кода», будь то проблема развертывания производства или уязвимость безопасности. Пойдя по этим вопросам ранее в цикле разработки, автоматизированные системы обзора кода могут значительно снизить стоимость и сложность технического обслуживания программного обеспечения.
Полный разговор углубляется в технические проблемы создания надежных агентов ИИ, эволюции моделей рассуждений и того, как подход Coderabbit к сбору контекста раздвигает границы того, что возможно с помощью текущей технологии LLM. Для тех, кто заинтересован в пересечении рабочих процессов разработки ИИ и разработки программного обеспечения, это увлекательный взгляд на то, как инструменты, которые мы используем для создания программного обеспечения, сами по себе восстанавливаются с нуля.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Мишель Джиеноу — бывший журналист, ставший разработчиком программного обеспечения. Она привлекает обеих профессий, чтобы написать о углубленных технических темах, начиная от K8s до Kotlin. Мишель является соавтором «Трансформация Cloud Native: практические модели инноваций» от O’Reilly Media и … Подробнее от Michelle Gienow
