Разработчик Сагив Каспи поделился опытом создания системы автоматического ревью кода на базе LLM после того, как сторонние подрядчики оценили разработку аналогичного решения в 1 миллион долларов. Вместо привлечения внешних агентств, автор реализовал функциональный прототип самостоятельно, используя существующие API и стандартные инструменты разработки, что позволило значительно сократить расходы и ускорить внедрение автоматизации в рабочий процесс.
Основная проблема, с которой столкнулся автор, заключалась в неэффективности стандартных решений для анализа изменений в коде (diffs). Большинство готовых инструментов либо требовали огромных бюджетов на внедрение, либо не учитывали специфику контекста репозитория. Использование LLM позволило создать систему, которая анализирует изменения в реальном времени, предоставляя осмысленные комментарии и рекомендации по улучшению кода без необходимости сложной инфраструктуры.
Реализация проекта опиралась на интеграцию с GitHub через вебхуки и использование моделей OpenAI для обработки данных. Автор подчеркивает, что ключевым фактором успеха стало правильное формирование промптов и ограничение контекста, передаваемого модели, что позволило избежать избыточных затрат на токены и повысить точность ответов. Этот кейс демонстрирует, как современные инструменты позволяют компаниям отказываться от дорогостоящих заказных разработок в пользу гибких внутренних решений.
Ключевые факты
- Оценка сторонних подрядчиков на разработку системы составляла 1 миллион долларов.
- Решение было реализовано автором самостоятельно с использованием API OpenAI и GitHub Actions.
- Основной упор сделан на анализ diff-файлов, что позволило минимизировать потребление токенов.
- Система внедрена в рабочий процесс для автоматизации первичного ревью кода перед участием человека.
- Разработка показала, что специализированные агентные решения могут быть созданы силами одного инженера за короткий срок.