Sugestões de código de IA eficazes: menos é mais

A Qodo (anteriormente Codium), com sua ferramenta de IA para análise e feedback automatizados de pull requests, Qodo Merge, descobriu uma lição crucial sobre o uso de LLMs para revisão de código. Inicialmente, priorizar a detecção de bugs sobre sugestões de estilo mostrou-se ineficaz; o modelo foi sobrecarregado pelas questões de estilo mais fáceis de encontrar, levando à fadiga de sugestões entre os desenvolvedores. A solução veio da simplificação da tarefa do modelo: focar apenas na busca de bugs e problemas significativos. Esse foco preciso aumentou as taxas de detecção de bugs e a relação sinal-ruído, resultando em um aumento de 50% nas taxas de aceitação de sugestões e um aumento de 11% no impacto geral. A principal conclusão: às vezes, eliminar distrações é mais eficaz do que uma priorização complexa.