CodeRabbit با توسعهٔ عامل‌محور، ۲۰ برابر نرم‌افزار عرضه می‌کند
CodeRabbit از مدل‌های OpenAI برای نظارت بر کد تولیدشده با هوش مصنوعی و اطمینان از قابل‌اعتمادبودن آن، و از Codex برای عرضهٔ ۲۰ برابر نرم‌افزار بیشتر با همان تیم مهندسی استفاده می‌کند.
از نگاه هارجوت گیل، هم‌بنیان‌گذار و مدیرعامل CodeRabbit(در یک پنجره جدید باز می‌شود)، اعتبارسنجی و اطمینان از قابل‌اعتمادبودن کد عامل‌ها به مرحله‌ای تبدیل شده که تیم‌ها در آن قضاوت انسانی را بر حجم فزایندهٔ کار تولیدشده با هوش مصنوعی اعمال می‌کنند. هارجوت می‌گوید: «اولین گلوگاهی که هر شرکتی به‌محض استفاده از عامل‌های کدنویسی با آن مواجه می‌شود، بازبینی کد است.»
CodeRabbit یک پلتفرم نظارت و کنترل مبتنی بر هوش مصنوعی ساخته که برای اعتبارسنجی و اطمینان از قابل‌اعتمادبودن کد تولیدشده با هوش مصنوعی طراحی شده است. بیش از ۲۰٬۰۰۰ سازمان و ۱۵۰٬۰۰۰ پروژهٔ متن‌باز از CodeRabbit استفاده می‌کنند. این پلتفرم به تیم‌ها کمک می‌کند کد تولیدشده توسط عامل‌های هوش مصنوعی را درک، بازبینی و ایمن‌سازی کنند و تصمیم بگیرند چه چیزی آمادهٔ انتشار است.
به‌گفتهٔ CodeRabbit، نسبت بهتر عملکرد به هزینه در مدل‌های OpenAI به این شرکت کمک می‌کند عامل‌های هوش مصنوعی بیشتری به فرایند بازبینی اضافه کند و مشتریان را از مزایای آن بهره‌مند سازد. همچنین Codex به آن کمک می‌کند با همان تیم مهندسی، ۲۰ برابر نرم‌افزار بیشتری عرضه کند. این شرکت همچنین از Daybreak برای ایمن‌سازی پشتهٔ فناوری خودش و کد مشتریانش استفاده می‌کند. جدیدترین محصول آن، CodeRabbit Secure، از Daybreak همراه با مدل‌های Codex استفاده می‌کند تا با عامل‌های متمرکز بر امنیت، آسیب‌پذیری‌ها را پیدا و رفع کند.
«با عرضهٔ هر مدل OpenAI، به‌ویژه مدل‌های استدلال، شاهد پیشرفت چشمگیر توانایی محصولمان در شناسایی مشکلات در مقیاس وسیع بوده‌ایم.»
CodeRabbit نخستین محصولش را با GPT‑3.5 Turbo ساخت. هارجوت می‌گوید عرضهٔ GPT‑4 باعث شد این محصول در بازبینی کد کارآمد شود. این شرکت سپس از نخستین استفاده‌کنندگان OpenAI o1 و OpenAI o3 شد. از آنجا که بازبینی کد به‌صورت ناهمگام در فضای ابری انجام می‌شود، CodeRabbit می‌توانست از مدل‌هایی استفاده کند که برای استدلال دربارهٔ مسئله زمان بیشتری صرف می‌کردند، اما در عوض تحلیل قوی‌تری ارائه می‌دادند.
تیم مدل‌های جدید را با آزمون معیار اختصاصی خود، شامل مشکلات شناخته‌شده، ارزیابی می‌کند. در زمان مصاحبه، هارجوت برآورد می‌کرد که GPT‑6 Astra توانسته ۵۰٪ مشکلات آن مجموعه‌داده را شناسایی کند و در مقایسه با مدل‌های دیگر، در این آزمون معیار در جایگاه نخست قرار بگیرد.
این آزمون معیار پیوسته تکامل می‌یابد، زیرا عامل‌ها انواع متفاوتی از خطا را ایجاد می‌کنند و اصلاحات، مشکلاتی را آشکار می‌کنند که در بازبینی‌های قبلی از قلم افتاده بودند. هارجوت می‌گوید: «ماهیت باگ‌ها مدام تغییر می‌کند؛ آزمون معیار ما هم با بهترشدن مدل‌ها تکامل می‌یابد.»
نسبت بهتر عملکرد به هزینه در مدل‌های OpenAI به CodeRabbit کمک کرده قابلیت‌ها را از مرحلهٔ پژوهش به محصولش منتقل کند. هارجوت به بهبود قیمت‌گذاری مدل‌ها و ذخیره‌سازی در حافظهٔ نهان اشاره می‌کند که به شرکت امکان می‌دهد بیشتر از هوش مصنوعی استفاده کند، عامل‌های فرعی بیشتری اضافه کند و مشتریان را از این مزایا بهره‌مند سازد.
CodeRabbit در آغاز از یک یا دو عامل فرعی برای پیمایش کد استفاده می‌کرد. اکنون مدل‌های کم‌هزینه‌تر مانند GPT‑6 Luna امکان استفاده از عامل‌های فرعی بیشتری را در سراسر پلتفرم فراهم می‌کنند، درحالی‌که مدل‌هایی مانند GPT‑6 Astra برنامه‌ریزی و هماهنگی را بر عهده دارند.
هارجوت می‌گوید: «حالا همه‌جا از عامل‌ها استفاده می‌کنیم، برای کاربردهایی که در گذشته حتی از پس هزینه‌شان هم برنمی‌آمدیم.» این امر دامنهٔ اعتبارسنجی‌های CodeRabbit و توضیحاتی را که می‌تواند به توسعه‌دهندگان ارائه دهد گسترش می‌دهد و به آن‌ها کمک می‌کند تغییراتی را که خودشان ننوشته‌اند درک کنند و به آن‌ها اعتماد داشته باشند.
هارجوت می‌گوید این شرکت با استفاده از Codex، طی ۶ ماه گذشته بدون افزایش تعداد مهندسان، تقریباً ۲۰ برابر نرم‌افزار بیشتری عرضه کرده است. او برآورد می‌کند که شخصاً در ۳۰ روز پیش از مصاحبه، ۲٬۵۰۰ تا ۳٬۰۰۰ pull request ارسال کرده است.
رسیدن به این نقطه به اقداماتی فراتر از به‌کارگیری Codex نیاز داشت. اجرای چندین عامل، محدودیت‌هایی را در سراسر فرایند توسعه آشکار کرد؛ از حافظه و توان پردازشی لپ‌تاپ گرفته تا آزمون‌ها، ابزارهای کامپایل و بسته‌بندی نرم‌افزار و وابستگی‌ها.
تیم فرایند انتشارش را ساده‌تر کرد و در اینکه کدام مراحل به تأیید انسان نیاز دارند بازنگری کرد. هم‌زمان، با استفاده از CodeRabbit تغییرات کم‌خطری را که نیازی به دخالت انسان نداشتند، به‌طور خودکار منتشر می‌کرد. هارجوت می‌گوید: «در واقع مجبور شدیم کل فرایند تحویل نرم‌افزار را از اساس بازنگری کنیم.»
این شرکت همچنین رباتی برای Slack ساخته که با Codex کار می‌کند و رخدادهای محیط عملیاتی، پیام‌های Slack و تیکت‌های پشتیبانی را بررسی و اولویت‌بندی می‌کند. این ربات می‌تواند یک pull request ارائه دهد تا تیم آن را بازبینی و ادغام کند. هارجوت توسعه در فضای ابری را راهی برای کاهش محدودیت‌های رایانه‌های محلی و فراهم‌کردن امکانات قوی‌تر برای کنترل دسترسی و ممیزی در اختیار تیم‌ها می‌داند.
CodeRabbit از Codex برای کارهایی فراتر از مهندسی استفاده می‌کند؛ از جمله مدیریت وظایف بازاریابی و عملیاتی از طریق کد. هارجوت می‌گوید: «تا جای ممکن شرکت را با کد اداره می‌کنیم.»
در بخش بازاریابی، این شرکت Google Ads را از طریق pull request مدیریت می‌کند. تیم برای انتشار تبلیغات، درخواستی ایجاد و سپس آن را ادغام می‌کند. همچنین از یک محل نگهداری برای استودیوی محتوا استفاده می‌کند که Codex در آن مجموعه اسلاید و اسناد ویژهٔ مشتریان می‌سازد. هارجوت می‌گوید: «اگر بتوانید مسائل بازاریابی‌تان را به مسائل کدنویسی تبدیل کنید، ۱۰ برابر سریع‌تر پیش می‌روید.»
CodeRabbit از سال ۲۰۲۳ عامل‌ها را در محیط‌های ایزوله اجرا می‌کند؛ محل‌های نگهداری را کلون می‌کند و به عامل‌ها اجازه می‌دهد برای کمک به بازبینی‌ها کد بنویسند. CodeRabbit اخیراً از مدل Cyber شرکت OpenAI از طریق Daybreak برای آزمودن و ایمن‌سازی پلتفرم خودش استفاده کرد.
تیم از این مدل برای آزمون نفوذ داخلی استفاده کرد و پلتفرم خودش را کاوید تا راه‌های احتمالی ورود مهاجمان را پیدا کند. هارجوت می‌گوید این دسترسی زودهنگام به CodeRabbit کمک کرد پشتهٔ فناوری خودش را ایمن کند. هارجوت می‌گوید: «چندین آسیب‌پذیری پیدا کردیم؛ راه‌های پیشرفته‌ای برای هک که حتی تصور نمی‌کردیم ممکن باشند.»
این شرکت از آن زمان این قابلیت‌ها را به بازار عرضه کرده و با جدیدترین محصولش، CodeRabbit Secure، به ایمن‌سازی کد مشتریان کمک می‌کند. طی دو هفتهٔ گذشته، این شرکت طرحی ترویجی اجرا کرد و هزینهٔ ۱ میلیون دلار اسکن عمیق را برای کاربرانش پوشش داد. در مجموع، بیش از ۴۳٬۰۰۰ آسیب‌پذیری امنیتی در ۱۳٬۰۰۰ اسکن عمیق شناسایی شد که همگی با مدل‌های Codex انجام شدند. مشتریان این شرکت تاکنون هزاران مورد از این آسیب‌پذیری‌ها را رفع کرده‌اند و به این ترتیب امنیت کدشان بهبود یافته است.
عامل‌های پس‌زمینه رفته‌رفته بدون نیاز به اینکه فردی هر کار را آغاز کند، به هشدارها و رخدادها پاسخ می‌دهند. هارجوت انتظار دارد تیم‌ها برای تصمیم‌گیری دربارهٔ اینکه کدام تغییرات را تا پایان پیش ببرند، به کمک بیشتری نیاز داشته باشند.
CodeRabbit با نگاه به آینده، فعالیتش را به‌سوی توسعهٔ نرم‌افزار عامل‌محور گسترش می‌دهد و به تیم‌ها کمک می‌کند تغییرات کد تولیدشده توسط عامل‌ها را در مقیاس وسیع اعتبارسنجی، اولویت‌بندی، تشریح و ایمن‌سازی کنند و صحت آن‌ها را بسنجند.
فرصت پیش رو این است که با انجام بخش بیشتری از فرایند ساخت توسط عامل‌ها، به توسعه‌دهندگان کمک شود کنترل را در دست داشته باشند؛ با اعتبارسنجی، توضیحات و نگهداری‌ای که همگام با تولید کد پیش می‌رود.
