SmartDigest Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Czy agent może nauczyć się waszych zasad code review z samych komentarzy w PR-ach?

Kilo wprowadziło trzy zmiany w swoim agencie do recenzji kodu: plik REVIEWS.md z konwencjami zespołu, mechanizm Code Review Memory uczący się reguł z historii waszych reakcji na uwagi oraz lokalne podpowiedzi w VS Code jeszcze przed pushem. Code Review Memory brzmi najciekawiej, ale uczy się z ubogiego sygnału, bo jedno kliknięcie Reject może oznaczać trzy różne rzeczy, więc jego propozycje warto traktować jak pull request od kogoś, kto zna projekt powierzchownie. Najbardziej przekonuje lokalna recenzja niezacommitowanych zmian, która oszczędza całą rundę przez CI.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  4 min  · 

Czy agent może nauczyć się waszych zasad code review z samych komentarzy w PR-ach?
Ilustrację przygotowała AI.

Agent do recenzji kodu, który do każdego repozytorium podchodzi z tą samą generyczną listą kontrolną, prędzej czy później zacznie marudzić nie o to, co trzeba. W jednym projekcie zespół pilnuje długości linii, w innym ma to w nosie, ale za to nie wybacza pochopnej obsługi błędów. Kilo, firma stojąca za rozszerzeniem do recenzji kodu, które nazwała tak samo jak siebie, ogłosiła trzy zmiany, które mają zamknąć tę lukę: plik REVIEWS.md z waszymi konwencjami, mechanizm uczący się tych konwencji z historii waszych komentarzy oraz lokalne podpowiedzi do recenzji jeszcze przed pushem.

Najprostsza z tych trzech rzeczy to REVIEWS.md. Jeśli zetknęliście się kiedyś z plikiem AGENT.md, czyli zwykłym Markdownem w korzeniu repozytorium, w którym spisuje się zasady dla agenta piszącego kod, to znacie ten układ, tyle że ten plik jest adresowany nie do agenta piszącego kod, lecz do agenta, który ten kod recenzuje. Wpisujecie tam swoje konwencje, preferencje stylu i decyzje architektoniczne, a kiedy włączycie automatyczne recenzje na GitHubie albo GitLabie, agent czyta plik i stosuje wasze reguły przy każdym przeglądzie. Repozytorium frontendu może egzekwować zupełnie inne zasady niż repozytorium infrastruktury, i żadne z nich nie musi dzielić konfiguracji z drugim. To rozsądny pomysł, choć trudno nazwać go odkrywczym, bo całą pracę i tak wykonujecie wy, siadając i spisując te reguły ręcznie.

I właśnie tę pracę ma zdjąć z was druga funkcja, Code Review Memory. Założenie jest takie, że większość waszych preferencji już istnieje, tyle że nie w żadnym pliku, lecz w tym, jak reagujecie na recenzje i pull requesty. Kiedy włączycie tę opcję, Kilo uruchamia analizę, która zbiera wasze odpowiedzi i uwagi do recenzji wystawionych przez ich agenta, a następnie generuje propozycję aktualizacji REVIEWS.md na podstawie tego, czego się z nich nauczyło. Przykład z ogłoszenia jest konkretny: jeśli wasz zespół raz po raz macha ręką na uwagi o długości linii, ale na komentarze o obsłudze błędów reaguje za każdym razem, agent ma to wychwycić i zaproponować przesunięcie uwagi tam, gdzie naprawdę ją kierujecie. Gdy analiza się kończy, dostajecie szczegółową propozycję zmian, a Kilo potrafi nawet wygenerować z niej pull request, który przeglądacie i mergujecie jak każdą inną zmianę. Wasze standardy recenzji zostają więc pod kontrolą wersji i widoczne dla całego zespołu, a wy, jak ujmuje to firma, nie musicie myśleć o tym, jak ma się zachowywać agent, bo on sam wyłapuje wasze skłonności z tego, jak faktycznie postępujecie.

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać Poradnik / Praktyka

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać

3 min

Jerin Mathew Vinu zbudował agenta do code review, który zapamiętuje, które uwagi zespół akceptuje, a które odrzuca — po trzech kliknięciach Reject komentarz znika z czwartego PR-a. Pamięć trzyma Hindsight, recenzje generuje qwen3-32b przez Groq, a całość spina FastAPI. Kluczowa obserwacja: decyzje lądują w bazie jako jedno zdanie po angielsku, bo i tak wracają prosto do promptu — format zapisu warto dopasować do formatu odczytu. To weekendowy projekt bez pomiarów, ale wzorzec jest na tyle prosty, że można go sprawdzić u siebie.

Trzy agenty recenzują kod lepiej niż pięć Analiza / Opinia

Trzy agenty recenzują kod lepiej niż pięć

3 min

Trzy agenty zamiast pięciu: główny pisze kod, recenzent go ocenia, a krytyk czepia się samej recenzji i przepuszcza dalej tylko uwagi poparte konkretną linijką kodu. Protokół Adversarial Review, opisany przez Erica S. Qiu w pracy z 16 sierpnia, rozwiązał najwięcej zadań na LiveCodeBench, a po jednej zmianie w promptcie, która każe krytykowi jawnie się nie zgodzić, osiągnął najwyższe F1 na SWE-PRBench. Sedno nie leży w liczbie agentów, tylko w tym, że drugi model domyślnie przytakuje, bo zgoda jest najtańsza, i nie daje drugiej opinii, dopóki nie każecie mu szukać dziur w cudzej recenzji.

Dlaczego lepsze narzędzia popsuły recenzenta kodu w Copilocie Premiera / Narzędzie

Dlaczego lepsze narzędzia popsuły recenzenta kodu w Copilocie

3 min

GitHub podmienił narzędzia, którymi jego agent do recenzji kodu w Copilocie przeszukuje repozytorium, na wspólny uniksowy zestaw z Copilot CLI, i wyszło odwrotnie: recenzja podrożała, a agent łapał mniej problemów. Napalys Klicius prześledził zapisy przebiegu i zobaczył, że agent zwiedzał całe repozytorium zamiast badać jeden pull request, bo odziedziczył instrukcje pisane pod interaktywną pracę CLI. Przepisanie ich pod rytm recenzenta obniżyło koszt o około 20% przy tej samej jakości. Morał: na cudzym frameworku dziedziczysz nie tylko narzędzia, ale i zaszyte w ich opisach założenia o pracy.