在爱立信使用 Agentic AI 进行情境化和多方面的代码审查

背景：由于软件系统的复杂性不断增加以及人工智能编码代理加速的代码生成，进行有效的代码审查变得越来越具有挑战性。基于大语言模型的代码审查方法在识别缺陷和提高代码质量方面显示出了可喜的成果。然而，现有的方法很少考虑特定于项目的情境知识，也很少在工业环境中进行评估。目标：在本研究中，我们提出了一种基于多代理的解决方案，该解决方案提供对代码更改的多方面评估。方法：按照设计科学研究流程，我们在工业环境中开发并评估了我们的解决方案。我们的解决方案将专业代理技能与特定于上下文的知识相结合，以跨四个维度识别代码更改中的反模式：可读性、可维护性、可靠性和性能。使用我们的解决方案，我们对多个代码提交进行了审查，并发现了 200 多个问题。然后，案例公司的开发人员手动验证这些问题的正确性和重要性。结果：评估结果表明，我们的解决方案在正确识别所调查的代码提交中的问题方面达到了 96% 的准确率。此外，大约 69% 的正确识别问题被评为重要问题，大约 33% 被评为必须解决的严重问题，36% 被评为应解决的重要问题。开发人员的定性反馈证实了这些发现，并强调了所生成评论的有用性。结论：我们的研究结果提供了来自行业评估的经验证据，该评估将专业代理技能与特定背景的知识相结合，产生准确、实用的代码审查。