Sugerencias de código de IA efectivas: menos es más

Qodo (anteriormente Codium), con su herramienta de IA para análisis y retroalimentación automatizados de solicitudes de extracción, Qodo Merge, descubrió una lección crucial sobre el uso de modelos de lenguaje grandes (LLM) para la revisión de código. Inicialmente, priorizar la detección de errores sobre las sugerencias de estilo resultó ineficaz; el modelo se vio abrumado por los problemas de estilo más fáciles de encontrar, lo que provocó fatiga por sugerencias entre los desarrolladores. El avance provino de simplificar la tarea del modelo: centrarse únicamente en encontrar errores y problemas significativos. Este enfoque preciso aumentó las tasas de detección de errores y la relación señal-ruido, lo que resultó en un aumento del 50% en las tasas de aceptación de sugerencias y un aumento del 11% en el impacto general. La conclusión principal: a veces, eliminar las distracciones es más eficaz que una priorización compleja.