Премини към основното съдържание
Български— Изберете език
Меню

Автоматизирани конвейери за код

Урок 12 от 14 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Автоматизиране на разработката с Codestral и модел с общо предназначение
  2. Архитектура на конвейер за код
  3. Стъпка 1: Търсене на код с Codestral Embed
  4. Стъпка 2: Генериране на код с Codestral
  5. Стъпка 3: Преглед на код с Mistral Small 4
  6. Пълен конвейер: От билет до PR
  7. Интеграция с CI/CD
  8. Чести вариации в производствена среда
  9. Ключови изводи

Урокът е актуализиран на 2 ноември 2026 г. Стъпката за преглед преди това разчиташе на Devstral, който беше премахнат от API на 31 юли 2026 г. Сега тя използва Mistral Small 4 (mistral-small-2603). Източник: Models.

Автоматизиране на разработката с Codestral и модел с общо предназначение

Досега представихме всеки инструмент на Mistral AI поотделно, работещ пред човешки потребител. Истинската им стойност се проявява, когато ги свържете във верига. Codestral Embed, Codestral и модел с общо предназначение като Mistral Small 4 формират автоматизиран конвейер за разработка, способен да търси, генерира и преглежда код без човешка намеса на всяка стъпка.

Архитектура на конвейер за код

Един завършен конвейер се разделя на три етапа, като всеки от тях е възложен на модела, който се справя най-добре със съответната задача.

  1. Търсене на код — Откриване на релевантен код в кодовата база (Codestral Embed)
  2. Генериране на код — Създаване или модифициране на код (Codestral)
  3. Преглед на код — Проверка и валидиране на промените (Mistral Small 4)

Четете потока на данните отгоре надолу; всеки блок консумира изхода на предишния.

User Request
    |
[Codestral Embed] -> Relevant Files
    |
[Codestral] -> Generated/Modified Code
    |
[Mistral Small 4] -> Automated Review
    |
Pull Request / Commit

Стъпка 1: Търсене на код с Codestral Embed

Генерирането на код без познание за съществуващата кодова база води до резултати, които не приличат на останалата част от проекта. Първата стъпка следователно е да се локализират релевантните файлове, използвайки индекса за вграждане (embedding), създаден в предишния урок. Функцията по-долу преобразува описанието на задачата във вектор, сравнява го с всеки индексиран файл и връща петте най-близки съвпадения.

from mistralai.client import Mistral
import numpy as np

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def search_context(task_description: str, codebase_index: list) -> list:
    """Finds relevant files for a given task."""
    response = client.embeddings.create(
        model="codestral-embed-latest",
        inputs=[task_description],
    )
    vector = np.array(response.data[0].embedding)

    scores = []
    for file in codebase_index:
        file_vec = np.array(file["embedding"])
        score = np.dot(vector, file_vec) / (
            np.linalg.norm(vector) * np.linalg.norm(file_vec)
        )
        scores.append((file, score))

    scores.sort(key=lambda x: x[1], reverse=True)
    return [f for f, s in scores[:5]]

Стъпка 2: Генериране на код с Codestral

След като разполагате с контекста, Codestral може да генерира код. Качеството на изхода зависи от начина, по който представяте този контекст: конкатенирайте извлечените файлове в системното съобщение, придружено от изрична инструкция да се спазват съществуващите конвенции. Задаването на temperature=0.1 поддържа изхода близо до детерминиран, което е желателно, когато генерираният код трябва да се интегрира безпроблемно в проекта, вместо да изненада автора му.

def generate_code(task: str, context: list[dict]) -> str:
    """Generates code taking existing context into account."""
    context_files = "\n\n---\n\n".join([
        f"# {f['path']}\n{f['content']}"
        for f in context
    ])

    response = client.chat.complete(
        model="codestral-latest",
        messages=[
            {
                "role": "system",
                "content": f"""You are a senior developer. Here is the existing project code:

{context_files}

Respect existing code conventions (naming, style, patterns)."""
            },
            {
                "role": "user",
                "content": task
            }
        ],
        temperature=0.1,
        max_tokens=2000,
    )

    return response.choices[0].message.content

Стъпка 3: Преглед на код с Mistral Small 4

Контролът идва накрая. Mistral Small 4 получава състоянието „преди“, състоянието „след“ и описанието на задачата, след което издава своята присъда в строг JSON формат. Този избор е критичен: прегледите под формата на свободен текст не са използваеми от последващ код, докато булевото поле approved Ви позволява да автоматизирате следващите стъпки. Поисканите категории умишлено разделят блокиращите проблеми, предложенията за подобрение и проблемите със сигурността, тъй като те изискват различно третиране.

def review_code(original_code: str, modified_code: str, description: str) -> dict:
    """Automated code review."""
    response = client.chat.complete(
        model="mistral-small-2603",
        messages=[
            {
                "role": "system",
                "content": """You are a senior code reviewer. Analyze the diff and return JSON:
{
    "approved": true/false,
    "issues": ["list of found issues"],
    "suggestions": ["list of possible improvements"],
    "security": ["potential security issues"]
}"""
            },
            {
                "role": "user",
                "content": f"Task: {description}\n\nOriginal code:\n{original_code}\n\nModified code:\n{modified_code}"
            }
        ],
        temperature=0,
    )

    return response.choices[0].message.content

Пълен конвейер: От билет до PR

Сега можете да сглобите тези три функции в една единствена верига, която започва с билет и завършва с прегледан код. Запазете вмъкнатите инструкции print: в един автоматизиран конвейер, регистрирането на това какво е намерено, генерирано и прегледано, е единственият Ви начин да разберете по-късно защо даден резултат Ви е разочаровал.

def ticket_to_code_pipeline(ticket: str, codebase_index: list) -> dict:
    """Complete pipeline: ticket -> code -> review."""

    # 1. Contextual search
    relevant_files = search_context(ticket, codebase_index)
    print(f"Files found: {[f['path'] for f in relevant_files]}")

    # 2. Code generation
    generated_code = generate_code(ticket, relevant_files)
    print(f"Generated code: {len(generated_code)} characters")

    # 3. Automated review
    review = review_code(
        original_code=relevant_files[0]["content"],
        modified_code=generated_code,
        description=ticket,
    )
    print(f"Review: {review}")

    return {
        "ticket": ticket,
        "modified_files": relevant_files,
        "code": generated_code,
        "review": review,
    }

Интеграция с CI/CD

Този механизъм разкрива пълния си потенциал, когато бъде свързан с Вашата CI (Continuous Integration). Работен поток на GitHub Actions, задействан при всяко отваряне и актуализиране на pull request, е достатъчен, за да се изпълни прегледът при всяка предложена промяна, без да е необходимо човешко мислене.

name: AI Code Review
on:
  pull_request:
    types: [opened, synchronize]

jobs:
  ai-review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Run AI Review
        env:
          MISTRAL_API_KEY: ${{ secrets.MISTRAL_API_KEY }}
        run: |
          python scripts/ai_review.py --pr ${{ github.event.pull_request.number }}

Извикваният скрипт извлича разликите (diff), предава всеки модифициран файл на review_code и коментира PR само когато прегледът не одобри промените. Това условие е съществено: бот, който коментира всичко, се превръща в шум, който екипът се научава да игнорира в рамките на дни.

# scripts/ai_review.py
def review_pull_request(pr_number: int):
    """Automated PR review with Mistral Small 4."""
    # 1. Retrieve PR diff
    diff = get_pr_diff(pr_number)

    # 2. Analyze each modified file
    for file in diff.files:
        review = review_code(
            original_code=file.before,
            modified_code=file.after,
            description=diff.title,
        )

        # 3. Post comment on PR
        if not review["approved"]:
            post_pr_comment(pr_number, file.path, review)

Чести вариации в производствена среда

Екипите, които приемат този шаблон, го адаптират към няколко повтарящи се случая на употреба. Първо, автоматично генериране на тестове: за всеки нов файл конвейерът произвежда съответстващи тестове, прехвърляйки досадната работа, без да премахва прегледа. След това, непрекъсната документация, при която docstrings се генерират и актуализират с всеки комит, а не по време на одит. После, откриване на регресии, при което моделът за преглед анализира разликите за вероятни странични ефекти. Накрая, миграция на код, която автоматизира конвертирането между frameworks или версии – тук спестяването на време е най-значимо, защото трансформацията е повтаряща се, а резултатът може да бъде проверен от съществуващите тестове.

Едно предупреждение важи за всичките четири случая: автоматизираният преглед не замества човешкия преглед. Той улавя механични пропуски и оставя преценката за това, което наистина има значение, на Вашите разработчици.

Ключови изводи

  • Конвейерът за код с изкуствен интелект комбинира търсене (Embed), генериране (Codestral) и преглед (Mistral Small 4)
  • Codestral Embed намира контекста, Codestral генерира, а модел с общо предназначение проверява
  • Интеграцията с CI/CD позволява автоматизирани прегледи и генериране на тестове
  • Шаблонът търсене -> генериране -> преглед се прилага към много работни потоци
  • Автоматизираният преглед не замества човешкия преглед; той го допълва