Как AI-агенты меняют код-ревью: опыт и исследования Google и Microsoft
Распространение AI-агентов увеличило поток и размер pull request, сместив фокус ревьюеров с построчного чтения кода на проверку спецификаций, тестов и архитектуры. В материале на основе исследований Google, Microsoft и open-source проектов анализируется влияние нейросетей на проверку кода. Также рассматривается проблема снижения надежности аппрувов и сложности измерения эффективности процесса.
Читать в первоисточнике — Хабр ↗
Ещё в ленте
Модель Jev для классификации сообщений и принятия решений
Рассмотрено применение модели Jev для автоматического определения типа входящих сообщений, например, вопросов или рекламы. Инструмент помогает приложению категоризировать запросы и выбирать подходящий сценарий дальнейших действий.
Пять повседневных задач, которые можно делегировать AI-агентам
Автор обобщил опыт применения AI-агентов для автоматизации рутинных процессов, таких как разбор таблиц Excel, конвертация файлов, написание утилит и устранение ошибок в терминале. В материале представлены практические сценарии экономии времени, а также рассмотрены текущие ограничения подобных инструментов.
Выпущена программа Partscaster 1.0 для редактирования нейротреков
Представлена обновленная версия инструмента Partscaster 1.0, предназначенного для правки музыки, созданной нейросетями. Разработчик переработал проект на основе отзывов пользователей и опубликовал исходный код на GitHub.
Опыт возвращения контроля над кодом, написанным ИИ-агентом
Разработчик поделилась опытом ведения пет-проекта, где код по задачам генерировал ИИ-агент под контролем тестов. В процессе работы автор утратила понимание устройства главного сценария собственного приложения. Для разбора созданной кодовой базы были применены интерактивные объяснения и целевые промпты.