Webtagr - Sumário de Notícias de Tecnologia

IA escreve código, IA revisa? Isso é tolice?

2025-05-01

Daksh, cofundador da Greptile, descobriu que uma ferramenta de geração de código de IA, Devin, estava enviando mais solicitações pull do que qualquer engenheiro humano. Isso levanta a questão intrigante: o código gerado por IA deve ser revisado pela própria IA? Embora os LLMs sejam sem estado, cada chamada é independente, isso não significa que a IA revisa perfeitamente seu próprio código. O código gerado por IA, embora aumente a eficiência, pode introduzir bugs que os humanos têm dificuldade em encontrar. Pesquisas mostram que a IA é mais eficaz do que os humanos na localização de certos tipos de bugs, embora sua precisão ainda precise de melhorias. Em última análise, o artigo argumenta que, embora não seja perfeito, a revisão de código de IA é mais eficaz do que os humanos na localização de tipos específicos de bugs introduzidos pela própria IA.

Gerar memes engraçados com LLMs: Surpreendentemente difícil

2025-01-06

Um estagiário da Universidade de Waterloo tentou construir um aplicativo usando LLMs e a API Greptile para gerar memes que “assassinassem” repositórios do GitHub. O processo se mostrou inesperadamente desafiador. Pedir diretamente ao LLM para gerar piadas resultou em resultados genéricos. A solução envolveu separar a tarefa em análise de código (usando o Greptile para identificar problemas específicos) e geração de piadas (usando o LLM para criar humor direcionado). A geração de imagens se mostrou difícil devido a limitações no manuseio de texto, levando ao uso de modelos de memes pré-construídos e node-canvas para inserção de texto. Apesar dos obstáculos, o projeto culminou em reporoast.com, um site capaz de gerar memes personalizados de “assassinos” de código.

Como um Robô de Revisão de Código de IA Aprendeu a se Calar

2024-12-21

O robô de revisão de código de IA da Greptile inicialmente recebeu críticas por gerar comentários em excesso. Para resolver isso, eles experimentaram a engenharia de prompts e fizeram com que o LLM avaliasse seus próprios comentários, mas esses métodos se mostraram ineficazes. Sua descoberta veio da vetorização de comentários anteriores, agrupando-os em um banco de dados vetorial e filtrando novos comentários semelhantes aos que foram anteriormente rejeitados. Essa abordagem aumentou a taxa de atendimento do desenvolvedor de 19% para mais de 55%, reduzindo significativamente o ruído do LLM.