Automatizované kódové pipeline
Na této stránce
Lekce aktualizována 2. listopadu 2026. Krok revize dříve spoléhal na model Devstral, který byl z API odstraněn 31. července 2026. Nyní využívá Mistral Small 4 (
mistral-small-2603). Zdroj: Models.
Automatizace vývoje s Codestral a modelem všeobecného určení
Doposud jsme představili každý nástroj Mistral AI samostatně, přičemž každý fungoval před lidským uživatelem. Jejich skutečná hodnota se projeví, když je propojíš do řetězce. Codestral Embed, Codestral a model všeobecného určení, jako je Mistral Small 4, tvoří automatizovanou vývojovou pipeline schopnou vyhledávat, generovat a recenzovat kód bez nutnosti manuálního zásahu v každém kroku.
Architektura kódové pipeline
Kompletní pipeline se dělí na tři fáze, přičemž každá je přiřazena modelu, který exceluje právě v tomto konkrétním úkolu.
- Vyhledávání kódu – Najdi relevantní kód v codebase (Codestral Embed)
- Generování kódu – Vygeneruj nebo uprav kód (Codestral)
- Revize kódu – Ověř a validuj změny (Mistral Small 4)
Datový tok čti shora dolů; každý blok spotřebovává výstup toho předchozího.
User Request
|
[Codestral Embed] -> Relevant Files
|
[Codestral] -> Generated/Modified Code
|
[Mistral Small 4] -> Automated Review
|
Pull Request / Commit
Krok 1: Vyhledávání kódu s Codestral Embed
Generování kódu bez znalosti stávajícího codebase produkuje výsledky, které nijak nepřipomínají zbytek projektu. Prvním krokem je proto lokalizace relevantních souborů pomocí indexu vnoření (embedding index), který jsme vytvořili v předchozí lekci. Následující funkce převede popis úkolu na vektor, porovná jej s každým indexovaným souborem a vrátí pět nejbližších shod.
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]]
Krok 2: Generování kódu s Codestral
Jakmile máš kontext, Codestral může generovat kód. Kvalita výstupu závisí na tom, jak tento kontext prezentuješ: spojte načtené soubory do systémové zprávy a přidej explicitní pokyn k dodržování stávajících konvencí. Nastavení temperature=0.1 udržuje výstup blízko determinismu, což je žádoucí, když se generovaný kód musí bez problémů integrovat do projektu, místo aby svého autora překvapoval.
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
Krok 3: Revize kódu s Mistral Small 4
Kontrola přichází jako poslední. Mistral Small 4 obdrží stav před změnou, stav po změně a popis úkolu, poté vynese svůj verdikt v přísném formátu JSON. Tato volba je kritická: recenze ve formě volného textu nejsou pro následný kód použitelné, zatímco boolean pole approved ti umožňuje automatizovat další kroky. Požadované kategorie záměrně oddělují blokující problémy, návrhy na vylepšení a bezpečnostní rizika, protože každá z nich vyžaduje odlišné zacházení.
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
Kompletní pipeline: Od ticketu po PR
Nyní můžeš tyto tři funkce sestavit do jediného řetězce, který začíná ticketem a končí zrecenzovaným kódem. Ponech si vložené příkazy print: v automatizované pipeline je logování toho, co bylo nalezeno, vygenerováno a zrecenzováno, jediným způsobem, jak později pochopit, proč tě výsledek zklamal.
def ticket_to_code_pipeline(ticket: str, codebase_index: list) -> dict:
"""Complete pipeline: ticket -> code -> review."""
# 1. Kontextové vyhledávání
relevant_files = search_context(ticket, codebase_index)
print(f"Files found: {[f['path'] for f in relevant_files]}")
# 2. Generování kódu
generated_code = generate_code(ticket, relevant_files)
print(f"Generated code: {len(generated_code)} characters")
# 3. Automatizovaná revize
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,
}
Integrace CI/CD
Tento mechanismus dosahuje svého plného potenciálu, když je připojen k tvému CI. Workflow GitHub Actions spuštěné při každém otevření a aktualizaci pull requestu stačí k tomu, aby spustilo revizi u každé navržené změny bez nutnosti lidského zásahu.
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 }}
Volaný skript získá diff, předá každý upravený soubor funkci review_code a okomentuje PR pouze tehdy, pokud revize neschválí změny. Tato podmínka je zásadní: bot, který komentuje vše, se stane šumem, který tým během několika dnů přestane vnímat.
# scripts/ai_review.py
def review_pull_request(pr_number: int):
"""Automated PR review with Mistral Small 4."""
# 1. Získání diffu PR
diff = get_pr_diff(pr_number)
# 2. Analýza každého upraveného souboru
for file in diff.files:
review = review_code(
original_code=file.before,
modified_code=file.after,
description=diff.title,
)
# 3. Publikování komentáře na PR
if not review["approved"]:
post_pr_comment(pr_number, file.path, review)
Běžné produkční variace
Týmy, které tento vzorec adoptují, jej přizpůsobují několika opakujícím se případům použití. Zaprvé, automatické generování testů: pro každý nový soubor pipeline vytvoří odpovídající testy, čímž přesune rutinní práci, aniž by eliminovala revizi. Zadruhé, průběžná dokumentace, kde se docstringy generují a aktualizují s každým commitm místo během auditu. Zatřetí, detekce regrese, kde model pro revizi analyzuje diffy na pravděpodobné vedlejší efekty. Nakonec migrace kódu, která automatizuje převod mezi frameworky nebo verzemi – zde jsou úspory času nejvýznamnější, protože transformace je repetitivní a výsledek ověřitelný stávajícími testy.
Pro všechny čtyři případy platí jedno upozornění: automatizovaná revize nenahrazuje lidskou revizi. Zachytí mechanická opomenutí a úsudek nad tím, co je skutečně důležité, ponechává na tvých vývojářích.
Klíčové poznatky
- AI kódová pipeline kombinuje vyhledávání (Embed), generování (Codestral) a revizi (Mistral Small 4)
- Codestral Embed najde kontext, Codestral generuje a model všeobecného určení ověřuje
- Integrace CI/CD umožňuje automatizované revize a generování testů
- Vzorec vyhledávání -> generování -> revize se aplikuje na mnoho workflow
- Automatizovaná revize nenahrazuje lidskou revizi; doplňuje ji