في عالم تطوير البرمجيات، تسهم تقنيات الذكاء الاصطناعي بصورة متزايدة في تحسين سير العمل، ومن بين هذه التقنيات يأتي تقييم الكود الذاتي (Agentic Code Review)، حيث يقوم وكلاء مستقلون بتقديم تعليقات مراجعة على الطلبات المتعددة (Pull Requests). ولكن، كيف يتفاعل المطورون فعلياً مع هذه المراجعات؟

في دراسة حديثة تناولت 31,073 زوجا من مراجعات الكود وتعليقات المطورين من 10,191 طلبا عبر 239 مستودعاً على GitHub، وجد الباحثون أن آراء المطورين تجاه تقييمات الكود الذاتي متباينة. إذ تم قبول 36.4% من التعليقات، بينما أثار 7.3% منها نقاشات، أما 56.3% فقد تم رفضها.

تُظهر النتائج أن معظم الرفض يتعلق بالاقتراحات غير الصائبة، التي كانت إما إيجابية كاذبة، أو زائدة، أو غير متعلقة بالسياق. كما أنها أظهرت عدم توافق مع نوايا المطورين وأساليب البرمجة المعتمدة.

وعلى الرغم من أن مراجعات الكود الذاتي تميل إلى التركيز أكثر على الجوانب الوظيفية، إلا أن هذه المراجعات كانت غالباً ما تحتوي على تعليقات غير صحيحة. لذلك، استكشفت الدراسة طرقاً مختلفة قائمة على نماذج اللغات الضخمة (Large Language Models) للتنبؤ برفض المراجعة. ووجد الباحثون أن الطرق القابلة للتعلم أثبتت دقة تصل إلى 76% في تقييم التجاوب، مما يدل على وجود أنماط قابلة للتعلم بين مراجعات الكود وتعليقات المطورين.

تسجل هذه الدراسة فرصة لتحسين فعالية تقييمات الكود الذاتي، وتسلط الضوء على العيوب التي تعوق نجاحها في التطبيقات العملية.

ما رأيكم في استخدام تقنيات الذكاء الاصطناعي لتحسين مراجعات الكود؟ شاركونا أفكاركم في التعليقات!