Moderne presenta Prethink per migliorare la governance del codice AI
È stata lanciata una nuova funzionalità chiamata Prethink, che offre agli agenti AI conoscenze strutturate e pre-calcolate riguardanti il patrimonio software di un’organizzazione prima di generare modifiche o raccomandazioni al codice.
Obiettivi di Prethink
Prethink si propone di colmare le lacune che emergono quando gli strumenti AI vengono applicati a repository grandi e maturi, spesso caratterizzati da servizi di lunga durata, grafi di dipendenza complessi e configurazioni intricate di build e deployment. Molti sistemi di codifica AI ancora elaborano il codice principalmente come file e testo, costringendo i modelli a dedurre l’intento architettonico e i vincoli operativi.
Questa limitazione può avere un costo misurabile: uno studio ha rilevato che gli sviluppatori esperti erano più lenti del 19% nell’uso di strumenti AI, principalmente a causa del tempo speso a rivedere e rielaborare output che mancavano di consapevolezza architettonica. Prethink si propone di ridurre questo onere di revisione, evidenziando la struttura e i vincoli del sistema fin dall’inizio.
Contesto strutturato
Prethink fornisce agli agenti AI uno strato di conoscenza strutturato derivato dal codice e dall’architettura. Gli agenti partono con una mappa esplicita di dipendenze, confini dei servizi, configurazioni e altri vincoli, evitando di ricostruire quel contesto da file grezzi durante una sessione.
Questo sposta l’uso dei token dalla comprensione verso l’analisi e l’implementazione. Si sostiene inoltre che uno strato di conoscenza condiviso possa ridurre le allucinazioni e i risultati incoerenti permettendo agli agenti di ragionare su relazioni note piuttosto che inferire da input incompleti.
In grandi organizzazioni, l’architettura e la governance possono risultare importanti quanto un codice sintatticamente corretto. Modifiche che compilano possono comunque violare l’intento di design, creare rischi operativi o entrare in conflitto con standard interni. Questi errori possono rallentare i cicli di consegna, aumentare i requisiti di revisione e accrescere il consumo di risorse computazionali quando i team chiedono ripetutamente ai modelli di rivedere l’output.
Modello di codice
Prethink si basa su un modello di codice chiamato Lossless Semantic Tree, descritto come preciso rispetto al compilatore. Questo modello cattura tipi, dipendenze e metadati, esponendo informazioni come confini dei servizi, endpoint, dipendenze e relazioni architettoniche. La conoscenza è memorizzata insieme al codice e può essere utilizzata sia da umani che da agenti AI.
Posizionamento della piattaforma
Prethink si inserisce all’interno di una piattaforma più ampia per la gestione dei cambiamenti in grandi codebase multi-repository. La piattaforma si è concentrata su un’automazione deterministica per l’evoluzione della codebase, inclusi rifattorizzazioni strutturate e cambiamenti guidati da politiche su larga scala. Prethink estende questo approccio ai flussi di lavoro degli agenti AI, fornendo ai modelli la stessa rappresentazione sottostante utilizzata altrove nella piattaforma.
Per i leader ingegneristici, la sfida spesso non è generare codice, ma coordinare il cambiamento in modo sicuro tra molti team e repository. In ambienti con migliaia di repository, piccoli malintesi possono causare fallimenti più ampi.
Prethink è stato progettato per tali condizioni, inquadrando l’agente AI come un partecipante in un sistema di consegna governato piuttosto che come un assistente isolato che fa suggerimenti senza un contesto completo.
Conclusione
Con Prethink, la governance del codice AI entra in una nuova era, affrontando le sfide uniche degli ambienti software moderni e migliorando l’efficienza del flusso di lavoro degli sviluppatori.
