كيفية بناء وكيل مراجعة الأكواد البرمجية بالذكاء الاصطناعي - داكش غوبتا، Greptile
원제 · How to Build an AI Code Review Agent - Daksh Gupta, Greptile
핵심 요약
يؤدي دمج بيئات الاختبار المعزولة، وعكس النماذج بين كتابة الكود ومراجعته، وتخصيص النماذج الهجينة إلى خفض الأخطاء الكارثية وتكاليف الاستدلال لنظام المراجعة البرمجية.
하이라이트
تمر حوالي 1% من إجمالي طلبات السحب على منصة جيت هب عبر أداة غريبتيل يومياً في آلاف الشركات.
تتراوح تكلفة المراجعة البرمجية عبر وكلاء الذكاء الاصطناعي البسيطة بين 3 و25 دولاراً لكل طلب سحب.
يرتفع معدل اكتشاف الأخطاء البرمجية بنسبة 10% عند استخدام نماذج ذكاء اصطناعي مختلفة للمراجعة عن تلك التي تولد الكود.
تحتوي حوالي 1 من كل 1000 طلب سحب أو سطر برمجي على خطأ كارثي يتطلب رصداً دقيقاً.
تخصص البنية الهجينة 20% من الميزانية للنماذج الرائدة بينما تعالج النماذج الصغيرة المهام الاستكشافية لخفض التكاليف.
타임라인
تحديات وكلاء المراجعة الأولية
تتطلب قواعد الكود المعقدة فهماً شاملاً يتجاوز مجرد ربط جيت هب بنموذج بسيط وموجهات عامة. تظهر الأخطاء البرمجية بطبيعة كسورية لا نهائية تؤدي إلى استمرار ظهور مشكلات جديدة عند كل تشغيل متكرر للمراجعة. تؤدي التعليقات المفرطة في التدقيق إلى قيام وكلاء البرمجة الآخرين بكتابة كود دفاعي مزعج يضر بجودة المشروع بدلاً من حل المشكلات الحقيقية.
- تتعامل أداة غريبتيل مع قواعد كود متنوعة مثل إنفيديا وكوين بيس لنحو 1% من إجمالي طلبات السحب على جيت هب.
- تتراوح تكلفة مراجعة طلب السحب الواحد باستخدام وكلاء الذكاء الاصطناعي البسيطة بين 3 و25 دولاراً.
- تفوت الوكلاء الأولية الكثير من الأخطاء وتقدم تعليقات شديدة التدقيق تدمر قاعدة الكود عبر كود دفاعي مزعج.
تحسين الموجهات واستخدام البيانات التاريخية
تعتمد الثمرة الأسهل منالاً على تعديل الموجهات لتبحث عن أنماط الأخطاء المحددة بناءً على البيانات الداخلية السابقة والأعطال المعروفة. تواجه عملية التحقق صعوبة بالغة نظراً لندرة الأخطاء الكارثية، مما يخفي الأخطاء الخطيرة خلف مظهر الإصدارات الناجحة لفترات طويلة. تساعد مجموعات البيانات التاريخية لطلبات السحب في تدريب الوكيل على اكتشاف الأخطاء النادرة بدقة أكبر رغم تغير طوبولوجيا الأخطاء بمرور الوقت.
- تستهدف الموجهات المحسنة أنواع أخطاء محددة وتتخطى التدقيقات التافهة والأسلوبية.
- تحتوي حوالي 1 من كل 1000 طلب سحب على خطأ كارثي فعلي.
- تعتمد موثوقية الوكيل على مطابقة البيانات التاريخية لطلبات السحب المعطلة والحوادث السابقة.
عكس النماذج وإدارة سياق قاعدة الكود
تفشل النماذج المتشابهة في المراجعة بنفس الطرق التي تفشلت بها أثناء كتابة الكود، مما يستوجب عكس النماذج لتقليل النقاط العمياء واكتشاف الأخطاء الخفية. تتطلب إدارة قواعد الكود الضخمة فهماً دقيقاً للملفات بدلاً من الاعتماد المفرط على البحث العشوائي الذي يستنزف ميزانية الاستدلال وموارد التخزين المؤقت. تُعد قواعد المعرفة الداخلية والويكي الحي أدوات أساسية لتقليل قراءة الملفات غير الضرورية وتوفير سياق دقيق للمصادقة وتدفقات التطبيق.
- ترتفع دقة اكتشاف الأخطاء بنسبة 10% عند استخدام نماذج مختلفة للمراجعة عن النموذج الذي كتب الكود.
- تنتج النماذج السحابية أخطاء خطوة واحدة بثلاثة أضعاف مقارنة بنماذج جي بي تي.
- تستهلك أدوات البحث التقليدية مثل غريب كميات هائلة من الرموز دون دقة كافية في قراءة الملفات.
الاختبار الذاتي ونظام النماذج الهجينة
تعالج بيئات الاختبار المعزولة القابلة للتكوين بالكامل مشكلات واجهات المستخدم والأخطاء البصرية التي تفوتها المراجعات الثابتة للملفات. يؤدي تخصيص مهام الاستكشاف وقراءة الملفات لنماذج أصغر حجماً واحتفاظ النماذج الرائدة بالمهام المعقدة إلى خفض التكلفة الإجمالية بشكل حاد. تتيح المراقبة المستمرة للمهمات الفرعية المتعددة ضبط أداء نظام المراجعة بأعلى كفاءة ممكنة مقابل كل دولار من ميزانية الاستدلال.
- تختبر البيئات المعزولة وغنية التبعيات واجهات المستخدم وتدفقات التطبيق من البداية إلى النهاية.
- تخصص البنية الهجينة 20% فقط من الميزانية للنماذج الرائدة والنسبة الباقية للنماذج الصغيرة.
- تتطلب الأخطاء البصرية مثل عناصر واجهة المستخدم المخفية على الأجهزة المحمولة محاكاة افتراضية كاملة.
설명
Daksh Gupta, co-founder of Greptile, which reviews about 1% of all pull requests on GitHub, shares what Greptile tells companies that want to build their own review agent. Starting from a simple sandbox-plus-webhook setup, he explains why it misses bugs, costs $3-25 per PR and floods you with nitpicks, then walks through the fixes: targeted prompts, a dataset of past incident PRs, model inversion (reviewing Claude-written code with GPT and vice versa catches about 10% more bugs), codebase context and a living wiki, autonomous testing in sandboxes with computer use, and routing cheaper models to most subtasks. Chapters 00:00 Intro: Greptile and why companies build their own 01:22 What makes a great review agent 02:38 The simple version: sandbox, agent, webhook 03:55 What goes wrong 06:02 Fix 1: Better prompts and fewer nitpicks 07:44 Fix 2: A dataset of historical PRs 09:02 Fix 3: Model inversion 11:04 Fix 4: Codebase context 12:36 Docs, tickets and a living wiki 14:26 Fix 5: Autonomous testing with computer use 16:05 Fix 6: Cheaper models for most subtasks Daksh Gupta, Greptile Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!