Ich habe eine Fruchtfliege meinen Code reviewen lassen - Nick Nisi, WorkOS

원제 · I Made a Fruit Fly Review My Code - Nick Nisi, WorkOS

16:373분 읽기AI Engineer2026. 11. 01.컴퓨터/소프트웨어

핵심 요약

Automatisierte Code-Reviews durch ein Fruchtfliegengehirn und KI-Modelle wie JEV erreichen eine Genauigkeit von bis zu 98 Prozent und entlasten Entwickler von manuellen Standardprüfungen.

하이라이트

  • Das Gehirn einer männlichen Fruchtfliege enthält 176.000 Neuronen, 6,3 Millionen Verbindungen und über 125 Millionen Synapsen, die für automatisierte Code-Reviews verwendet wurden.

  • Zuckerwasser fungiert im Trainingsmodell als Belohnung für guten Code, während bitterer Geschmack als Bestrafung für schlechten Code dient.

  • Die Fruchtfliege erreicht bei der Erkennung von fehlerhaftem Code eine Genauigkeit von etwa 88 Prozent.

  • Bei komplexeren Beispielen erkennt die Fliege notwendige Änderungen in 96 Prozent der Fälle und bei plausiblen Fehlern in 98 Prozent der Fälle.

  • Ein KI-System namens JEV dient als Nase für die Fliege, indem es 30 unvoreingenommene Fragen zu einem Pull Request stellt und diese als Geruch an das Gehirn weiterleitet.

타임라인

  1. Der Engpass in der modernen Softwareentwicklung

    Die Softwareentwicklung hat sich durch den Einsatz von Codierungsassistenten grundlegend verändert. Während das Schreiben von Code automatisiert abläuft, bleibt die Überprüfung oft an Menschen hängen. Automatisierte Tools schaffen hier Abhilfe, indem sie das Risiko von Produktionsfehlern minimieren und den Entwickler zu einem Projektmanager machen, der den Kontext und das Warum hinter einer Änderung bewertet.

    • Code wird durch KI-Werkzeuge schneller denn je geschrieben, wodurch menschliche Entwickler zum Engpass bei Code-Reviews werden.
    • CI-Systeme und automatisierte Agenten wie Greptile und CodeRabbit übernehmen bereits grundlegende Prüfungen von Pull Requests.
    • Der Fokus von Code-Reviews verschiebt sich von der reinen Syntaxprüfung hin zur Frage, ob eine Änderung die erwartete Funktionalität erfüllt.

  2. Die Integration des Fruchtfliegengehirns

    Historisch gesehen leitet sich der Begriff Software-Bug von einer Motte ab. In diesem Experiment wird ein echtes Fruchtfliegengehirn eingesetzt, um JavaScript-Code zu bewerten. Über Sensillen und ein System-1-Modell werden Code-Eigenschaften in Gerüche umgewandelt. Zuckerwasser signalisiert guten Code, während schlechter Code Bitterkeit auslöst. Das Gehirn reagiert darauf mit der Ausschüttung von Hormonen wie Dopamin, die das neuronale Verhalten steuern und eine Ja- oder Nein-Entscheidung ermöglichen.

    • Das verwendete Konnektom basiert auf dem akribisch gescannten Gehirn einer männlichen Fruchtfliege.
    • Ein KI-Modell übersetzt Code- Diffs in Gerüche, die das Fliegengehirn verarbeitet.
    • Dopamin schüttet je nach Code-Qualität positive oder negative Reize aus, wodurch das neuronale Netzwerk lernt.

  3. Leistung und Praxistauglichkeit

    Ein direkter Vergleich zwischen menschlichen Teilnehmern und der Fruchtfliege zeigt, dass Menschen zwar kontextuell überlegen sind, die Fliege jedoch erstaunlich präzise arbeitet. Sie kann zwar keine detaillierten Erklärungen oder Korrekturvorschläge liefern, erkennt aber zuverlässig, ob ein Code-Diff verdächtig ist oder abgelehnt werden sollte. Entwickler können dieses Experiment unter fruitfly.review selbst ausprobieren.

    • In einem Live-Test mit dem Publikum lag die Fruchtfliege in zwei von drei Fällen richtig, während das Publikum alle drei Fälle korrekt einschätzte.
    • Die generelle Genauigkeit der Fliege liegt bei standardmäßigen Tests bei rund 88 Prozent.
    • Bei schwierigeren Beispielen steigt die Erkennungsrate für notwendige Änderungen auf bis zu 96 und 98 Prozent.

  4. Die Zukunft des automatisierten Engineerings

    Um menschliche Reviewer vollständig zu entlasten, sollten Teams standardisierte Prüffähigkeiten festlegen. Ein Klassifikator prüft die Komplexität und das Risiko eines Pull Requests, bevor er an automatisierte Agenten übergeben wird. Wenn keine Fehler auftreten, wird der Code automatisch zusammengeführt. Andernfalls erfolgt eine Eskalation an den Menschen, unterstützt durch automatisierte Reparaturen und präzise Verifizierungsnachweise.

    • Teams können spezifische Review-Fähigkeiten definieren und pflegen, um das absolute Minimum an Anforderungen zu automatisieren.
    • Nur komplexe oder riskante Pull Requests werden an menschliche Reviewer eskaliert.
    • Verifizierungsmethoden wie Screenshots, Testergebnisse und Smoke-Tests ersetzen das traditionelle Vertrauen in menschliche Code-Reviews.

설명

Code is being written faster than ever, and Nick Nisi, who leads developer and agent experience at WorkOS, argues that the human reviewer is now the bottleneck. To make the point, he hooked a simulated fruit fly brain, built from a full scan of its neurons, up to code review: AI turns each change into literal "code smells," sugar and bitter rewards teach the fly what good and bad code taste like, and it was right about 88% of the time in testing. Then he plays a live round against the audience and lays out a practical plan where team review skills, classifiers and automated reviewers only send the risky pull requests to a human, backed by proof like screenshots and smoke tests. Chapters: 0:00 Intro 0:37 Humans are the bottleneck 2:35 Where the word "bug" came from 3:04 Using a bug to find bugs 4:00 Wiring a fruit fly brain into code review 4:57 Turning code into smells 6:43 Sugar, bitterness and memory 7:32 Does the fly actually matter? 8:15 Game: are you smarter than a fruit fly? 10:22 Trying a real pull request 11:55 What only humans know: why 12:33 Escalate only the reviews that matter 14:56 Proof instead of review Nick Nisi https://workos.com Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!

이 영상에 대해 글쓰기