Suggestions de code IA efficaces : moins c’est plus

Qodo (anciennement Codium) a découvert une leçon cruciale sur l’utilisation des LLM pour la revue de code avec son outil d’IA, Qodo Merge. Au départ, la priorité accordée à la détection des bogues plutôt qu’aux suggestions de style s’est avérée inefficace ; le modèle a été submergé par les problèmes de style plus faciles à trouver, ce qui a entraîné une fatigue des suggestions chez les développeurs. La percée est venue de la simplification de la tâche du modèle : se concentrer uniquement sur la recherche de bogues et de problèmes significatifs. Cette focalisation précise a augmenté les taux de détection des bogues et le rapport signal/bruit, entraînant une augmentation de 50 % du taux d’acceptation des suggestions et une augmentation de 11 % de l’impact global. La principale conclusion : parfois, éliminer les distractions est plus efficace qu’une priorisation complexe.