Qodo با Codex شناخت پروژه را به بازبینی هوشمند کد می‌آورد
Qodo اطلاعات زمینه‌ای سازمان و استانداردهای پایگاه کد را به Codex می‌آورد تا به توسعه‌دهندگان در شناسایی مشکلات P0 در مخزن‌های مختلف کمک کند.
Qodo(در یک پنجره جدید باز می‌شود) ابزارهای هوش مصنوعی برای بازبینی کد و کیفیت نرم‌افزار می‌سازد و دانش سازمانی لازم را در اختیار عامل‌های کدنویسی می‌گذارد تا کدی را که تغییر می‌دهند درک کنند. ایتامار فریدمن، هم‌بنیان‌گذار و مدیرعامل، آن را «بهترین دوست عامل کدنویسی» می‌نامد.
Qodo از مدل‌های OpenAI، از جمله GPT‑6 Astra، برای گردآوری دانش مهندسی، بازبینی کد و پایش کیفیت نرم‌افزار استفاده می‌کند. افزونهٔ Qodo برای Codex، این اطلاعات زمینه‌ای و قابلیت بازبینی را به جلسات کدنویسی توسعه‌دهندگان می‌آورد.
«ما عاشق مدل‌های OpenAI هستیم. ما مدل‌های پیشرو و بهترین مدل‌های استدلال را می‌خواهیم، اما مدل‌هایی را هم می‌خواهیم که واقعاً سریع باشند.»
ایتامار از محیط‌های کاری مشتریان می‌گوید که ممکن است ۱۰٬۰۰۰ مخزن یا بیشتر داشته باشند؛ محیط‌هایی که در آن‌ها تغییر کد در یک بخش می‌تواند سرویسی وابسته به آن را از کار بیندازد، حتی اگر آن تغییر به‌تنهایی درست به نظر برسد. Qodo برای حل این مسئله، افزونه‌ای ساخته و در بازارچهٔ Codex عرضه کرده است.
ایتامار می‌گوید: «Codex در گرفتن یک وظیفهٔ محدود به یک بخش و انجام کارآمد آن واقعاً خوب عمل می‌کند.» افزونهٔ Qodo از طریق Agentic Toolbox این شرکت، دانش مربوط به پایگاه کد، قواعد سازمانی و بازبینی مستقل را در اختیار Codex می‌گذارد.
Codex با داشتن اطلاعات زمینه‌ای می‌تواند وابستگی‌های میان مخزن‌ها را در نظر بگیرد؛ از جمله مخزن‌هایی که نزد ارائه‌دهندگان مختلف Git میزبانی می‌شوند یا سرویس‌هایی که از طریق Kafka به هم متصل‌اند. ایتامار می‌گوید: «Qodo این ارتباط را برقرار می‌کند و به Codex کمک می‌کند نرم‌افزار را یکپارچه ببیند و آن باگ‌های P0 را از قلم نیندازد.»
Codex پیش از شروع کدنویسی می‌تواند با استفاده از افزونهٔ Qodo، قواعد مرتبط پایگاه کد و سوابق و الگوهای pull request را بازیابی کند. پس از اعمال تغییرات توسط Codex، Qodo آن‌ها را بازبینی می‌کند و پیش از آنکه توسعه‌دهنده یک pull request ایجاد کند، یافته‌هایش را در همان جلسه مستقیماً به Codex برمی‌گرداند.
ننّا ندوکوه، سرپرست روابط با توسعه‌دهندگان هوش مصنوعی در Qodo، می‌بیند که توسعه‌دهندگان از این گردش‌کار برای ساخت قابلیت‌ها و رسیدگی به بدهی فنی با مدل‌های GPT‑6 در Codex استفاده می‌کنند. آن‌ها انتقال کار از مرحلهٔ کدنویسی Codex به مرحلهٔ بازبینی مستقل Qodo را خودکار می‌کنند. ننّا می‌گوید: «این همان کاری است که می‌بینم توسعه‌دهندگان انجام می‌دهند و واقعاً هیجان‌انگیز است، چون GPT‑6 فوق‌العاده توانمند است.»
ایتامار عامل‌های کدنویسی و بازبینی را به «یین و یانگ» تشبیه می‌کند: یکی کد می‌سازد و دیگری آن را به چالش می‌کشد. هر نقش به پیکربندی و اطلاعات زمینه‌ای خاص خود نیاز دارد و ممکن است چند عامل در آن مشارکت داشته باشند. در چشم‌انداز او، عامل‌ها دربارهٔ یافته‌ها گفت‌وگو می‌کنند و «فقط مواردی را که نمی‌پذیرند» برای بازبینی انسانی مطرح می‌کنند. در این صورت توسعه‌دهندگان نقش برنامه‌ریز و بازبین را خواهند داشت و می‌توانند مسائل حل‌نشده را همراه با گفت‌وگوی عامل‌ها، اطلاعات زمینه‌ای و تصمیم‌های قبلی توسعه‌دهندگان بررسی کنند.
ایتامار می‌گوید: «اعتماد این‌طور شکل می‌گیرد.» ننّا اضافه می‌کند: «فکر می‌کنم این کار در مجموع کل فرایند را کارآمدتر می‌کند.» «می‌توانیم ارزشمندترین بخش‌های تخصصمان را به کار بگیریم.»
ننّا در Qodo از تنظیمات تلاش استدلالی «بسیار بالا» و Ultra در GPT‑6 Astra، هم در گردش‌کارهای خودکار توسعهٔ نرم‌افزار خود و هم در کارهای دانشی استفاده می‌کند.
«Codex چه کاری است که نمی‌کند؟ من عاشق همهٔ کارهایی هستم که Codex انجام می‌دهد. ایدهٔ ترکیب هوش مصنوعی و خودکارسازی را دوست دارم.»
ننّا برای Codex زمان‌بندی تعیین می‌کند تا از کارهایی که در طول هفته انجام داده گزارش بدهد و پیشنهاد کند در ادامه روی چه چیزهایی تمرکز کند یا چه مواردی را بهبود دهد. او همچنین از آن برای بررسی گفت‌وگوهای مربوط به مهندسی مبتنی بر عامل‌ها در شبکه‌های اجتماعی و پیشنهاد ایده‌هایی برای تولید محتوای ویژهٔ توسعه‌دهندگان استفاده می‌کند. برای تغییراتی که خودش در کد می‌دهد نیز Codex را زمان‌بندی می‌کند تا کارش را تحلیل کند و مهارت‌هایی برای عامل پیشنهاد دهد که بتوان آن‌ها را ایجاد کرد یا بهبود بخشید.
ایتامار معتقد است Decisions API که OpenAI به‌تازگی عرضه کرده، فرصتی فراهم می‌کند تا به‌جای تکیه بر مدل‌های زبانی برای تک‌تک تصمیم‌ها، قواعد و مهارت‌های عاملِ مرتبط با هر مرحلهٔ توسعه را انتخاب کنند.
او مثالی می‌زند که در آن Decisions API می‌تواند از میان ۲۰۰ قاعده، موارد نیازمند بررسی را انتخاب کند و سپس مدل زبانی با استدلال به بررسی همان موارد مرتبط بپردازد. این کار انتخاب را سریع‌تر و کم‌هزینه‌تر می‌کند و در عین حال کیفیت بازبینی را بهبود می‌دهد. ایتامار می‌گوید: «Decisions API فرصت بزرگی برای ماست تا اعتماد بیشتری به این فرایند ایجاد کنیم.»
به گفتهٔ ننّا، رویکرد Qodo «بهترین جنبه‌های هوش مصنوعی و بهترین جنبه‌های مهندسی نرم‌افزار و اسکریپت‌نویسی سنتی» را با هم ترکیب می‌کند. دانش شرکت عامل‌های کدنویسی را هدایت می‌کند، بازبینی مستقل کار آن‌ها را می‌سنجد و تخصص انسانی به پرسش‌های باقی‌مانده پاسخ می‌دهد.
این رویکرد پایهٔ چیزی را می‌سازد که ایتامار آن را کارخانهٔ نرم‌افزار می‌نامد: سیستمی که مشتریان بتوانند اجزایش را کنار هم بچینند و مالک آن باشند؛ سیستمی که عامل‌های کدنویسی و بازبینی را با شناختی از نحوهٔ تغییر نرم‌افزار در محیط عملیاتی همراه می‌کند.
Qodo با همکاری OpenAI آینده‌ای می‌سازد که در آن عامل‌های کدنویسی بخش بیشتری از تجربهٔ شرکت را به کار می‌گیرند و توسعه‌دهندگان می‌توانند قضاوت خود را بر مواردی متمرکز کنند که بیشترین اهمیت را دارند.
