Effektive KI-Code-Vorschläge: Weniger ist mehr

Qodo (vormals Codium) hat mit seinem KI-gestützten Tool Qodo Merge eine wichtige Lektion beim Einsatz von LLMs für die Code-Review gelernt. Anfangs erwies sich die Priorisierung der Fehlererkennung gegenüber Stilvorschlägen als ineffektiv; das Modell wurde von den leichter zu findenden Stilproblemen überfordert, was zu einer „Suggestion Fatigue“ bei den Entwicklern führte. Der Durchbruch gelang durch die Vereinfachung der Aufgabe des Modells: Konzentration ausschließlich auf das Auffinden bedeutender Fehler und Probleme. Dieser laserfokussierte Ansatz erhöhte die Fehlererkennungsraten und das Signal-Rausch-Verhältnis, was zu einem Anstieg der Akzeptanzrate von Vorschlägen um 50 % und einer Steigerung der Gesamtwirkung um 11 % führte. Die wichtigste Erkenntnis: Manchmal ist das Eliminieren von Ablenkungen effektiver als komplexe Priorisierung.