원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
O cenário dos repositórios mudou desde que as ferramentas de inteligência artificial se infiltraram no código de produção. De acordo com um estudo da empresa de análise de dados de repositórios de software GitClear, que analisou mais de 211 milhões de linhas de código de produção entre 2020 e 2024, a taxa de rotatividade de código (Code Churn) — a proporção de código modificado ou completamente deletado dentro de duas semanas após o merge — saltou de 3,1% para até 7,1%. Uma análise empírica da plataforma de revisão de código CodeRabbit também mostra que o código gerado por IA produz 1,7 vez mais defeitos por pull request do que o código escrito por humanos. Defeitos de lógica de negócios aparecem 75% mais frequentemente, omissões de tratamento de exceções 2 vezes e vulnerabilidades de segurança 2,74 vezes mais. De acordo com um estudo da SmartBear, no momento em que o tamanho das alterações de um único pull request ultrapassa 400 linhas, a taxa de detecção de defeitos do revisor cai para 70% ou menos. Ler centenas de linhas de código despejadas por juniores linha por linha, como antes, causa sobrecarga cognitiva e acaba permitindo que falhas estruturais críticas fiquem sem supervisão.
Para quebrar o gargalo de revisões manuais, os líderes de engenharia sênior devem parar de agir como inspetores de sintaxe e agir como arquitetos de sistemas. Trate os pull requests como binários não verificados gerados por compiladores e execute um protocolo de auditoria de arquitetura que determine a integridade estrutural em 10 minutos. Durante os primeiros 3 minutos, compare os desafios de resolução do corpo do texto com a lista de arquivos realmente alterados, o Diff Delta. Se houver módulos ou arquivos de configuração misturados que não foram mencionados na descrição, rejeite-os imediatamente sem ler o código detalhado. Nos 4 minutos seguintes, verifique se há violações de fronteira de domínio, como a camada de apresentação ignorando os serviços de negócios e acessando diretamente o banco de dados. Nos 3 minutos restantes, monitore se o sistema resiste a falhas em APIs externas ou contenção de concorrência, do ponto de vista de garantia de chaves de idempotência e reversão de transações distribuídas. Crie um campo no .github/pull_request_template.md do repositório para registrar logs de decisão de arquitetura e o prompt original, e nem abra o Diff de códigos que não incluam um design alternativo.
Antes que um ser humano leia todo o código, todos os erros que a máquina pode julgar devem ser eliminados. A empresa de fintech japonesa freee integrou a ferramenta de revisão de código semântico CodeRabbit a 285 repositórios, economizando 32,8 semanas de recursos de revisores sênior em 6 meses e alcançando uma taxa de aceitação de indicação de defeitos importantes de 54%. As notificações de revisão são enviadas aos seniores apenas para os pull requests que passam pelo filtro de automação de 3 etapas, reduzindo pela metade o tempo gasto em revisões manuais.
Filtros de validação em série devem ser embutidos no pipeline de CI. No primeiro estágio, o estágio de análise estática determinística, execute ESLint, Biome e Ruff para promover avisos de linter a erros e fixar a complexidade ciclomática por função em 15 ou menos. No segundo estágio, o estágio de tipos estritos e invariantes de arquitetura, ative strict: true em tsconfig.json e use o dependency-cruiser para bloquear chamadas de desvio de camada não autorizadas. No terceiro estágio, o estágio de revisão de código LLM semântico, anexe CodeRabbit ou Qodo para capturar defeitos P1, P2 e testes ausentes. Se a etapa anterior não for aprovada em 100%, a próxima etapa ou a atribuição de revisor humano será completamente bloqueada.
Ao injetar agentes de inteligência artificial em estruturas monolíticas ou bases de código legadas, ocorre a contaminação de contexto, onde o modelo ignora os utilitários comuns existentes e cria cópias de implementações proprietárias de forma independente. Como o método de arquivo raiz único .cursorrules consome excessivamente o contexto do modelo à medida que o projeto cresce, deve-se usar a estrutura modularizada .cursor/rules/*.mdc. Como os arquivos MDC são injetados condicionalmente apenas quando um padrão de arquivo específico é o alvo do trabalho, o consumo de tokens é reduzido em mais de 40% enquanto a taxa de conformidade com as regras é maximizada.
Para proteger a integridade do domínio principal, os diretórios devem ser bloqueados à força. Crie um arquivo .cursor/rules/core-boundaries.mdc na raiz do projeto e designe diretórios principais como src/core/ledger/** como somente leitura junto com a configuração alwaysApply: true. Adicione .cursor/rules/api-contracts.mdc para proibir a exclusão de campos de esquema de resposta existentes ao trabalhar na camada de API e impor o uso de classes de exceção de domínio. Registre .env* e o histórico de migrações no .cursorignore para bloquear na origem a leitura de informações sensíveis pelo modelo. A duplicação de utilitários pelos agentes desaparece em mais de 90%.
Quando um júnior pede para a inteligência artificial escrever testes unitários, a cobertura de linhas ultrapassa 90%, mas ocorre um defeito de aprovação silenciosa em que bugs na lógica de negócios principal não são capturados. A única maneira de verificar se os testes estão funcionando corretamente é medir a pontuação de mutação, que verifica se os testes capturam defeitos de código introduzidos propositalmente e induzem falhas.
Incorpore o framework de teste de mutação Stryker no pipeline de CI. Crie stryker.config.json na raiz do projeto, insira src/domains/**/*.ts no item mutate e defina o valor de thresholds.break como 70. Adicione o comando npx stryker run --since origin/main ao workflow do GitHub Actions .github/workflows/mutation-gate.yml para inspecionar de forma incremental apenas o código alterado. Todas as sextas-feiras, das 15h às 16h, pare o desenvolvimento de novas funcionalidades e concentre-se na remoção de mutantes sobreviventes e na integração de código duplicado. Se a pontuação de mutação do novo código ficar abaixo de 70%, o pipeline emite um erro imediatamente e bloqueia o merge.
O maior problema no processo de adoção da inteligência artificial é a desconexão entre a omissão dos seniores e a dependência cega dos juniores. A Shopify estabelece o princípio de que, mesmo que 95% do código tenha sido escrito por um modelo de linguagem, o engenheiro cujo nome está associado ao pull request assume 100% da responsabilidade por cada linha. Os líderes devem implementar rotinas para quebrar a ingenuidade dos juniores e transmitir o know-how de injeção de contexto.
Para nivelar a capacidade de manipulação de prompts dos juniores, realize uma clínica focada de 30 minutos semanalmente. Durante os primeiros 10 minutos, em que o júnior traz um ticket de sprint, compartilha a tela com o sênior e dá instruções ao agente, observe se ele emite requisitos vagos. Nos 10 minutos intermediários, o sênior demonstra engenharia de contexto, impondo as regras de tratamento de erros do projeto e o nível de isolamento de transações como restrições no momento da inserção do prompt. Nos 10 minutos finais, faça com que eles comparem múltiplos padrões de arquitetura em vez de receber uma única resposta correta da inteligência artificial, ensinando-os a contra-argumentar com casos de teste para condições de contorno ausentes. Passar por esse processo reduz a taxa de erro de prompt dos juniores em mais de 60%.
