Αυτοματοποιημένες Ροές Εργασίας Κώδικα
Σε αυτήν τη σελίδα
- Αυτοματοποίηση της Ανάπτυξης με Codestral και ένα Μοντέλο Γενικής Χρήσης
- Αρχιτεκτονική μιας Ροής Εργασίας Κώδικα
- Βήμα 1: Αναζήτηση Κώδικα με Codestral Embed
- Βήμα 2: Παραγωγή Κώδικα με Codestral
- Βήμα 3: Αναθεώρηση Κώδικα με Mistral Small 4
- Πλήρης Ροή Εργασίας: Από το Ticket στο PR
- Ενσωμάτωση CI/CD
- Κοινές Παραλλαγές Παραγωγής
- Βασικά σημεία
Μάθημα ενημερώθηκε στις 2 Νοεμβρίου 2026. Το βήμα αναθεώρησης βασιζόταν προηγουμένως στο Devstral, το οποίο αφαιρέθηκε από το API στις 31 Ιουλίου 2026. Τώρα χρησιμοποιεί το Mistral Small 4 (
mistral-small-2603). Πηγή: Models.
Αυτοματοποίηση της Ανάπτυξης με Codestral και ένα Μοντέλο Γενικής Χρήσης
Μέχρι στιγμής, παρουσιάσαμε κάθε εργαλείο της Mistral AI μεμονωμένα, να λειτουργεί μπροστά σε έναν ανθρώπινο χρήστη. Η πραγματική τους αξία αναδεικνύεται όταν τα συνδέετε μεταξύ τους. Τα Codestral Embed, Codestral και ένα μοντέλο γενικής χρήσης όπως το Mistral Small 4 σχηματίζουν μια αυτοματοποιημένη ροή εργασίας ανάπτυξης, ικανή να αναζητά, να παράγει και να αναθεωρεί κώδικα χωρίς χειροκίνητη παρέμβαση σε κάθε βήμα.
Αρχιτεκτονική μιας Ροής Εργασίας Κώδικα
Μια πλήρης ροή εργασίας αναλύεται σε τρία στάδια, καθένα από τα οποία ανατίθεται στο μοντέλο που υπερέχει σε αυτή τη συγκεκριμένη εργασία.
- Αναζήτηση Κώδικα — Εύρεση σχετικού κώδικα στη βάση κώδικα (Codestral Embed)
- Παραγωγή Κώδικα — Δημιουργία ή τροποποίηση κώδικα (Codestral)
- Αναθεώρηση Κώδικα — Επαλήθευση και επικύρωση αλλαγών (Mistral Small 4)
Διαβάστε τη ροή δεδομένων από πάνω προς τα κάτω· κάθε μπλοκ καταναλώνει την έξοδο του προηγούμενου.
User Request
|
[Codestral Embed] -> Relevant Files
|
[Codestral] -> Generated/Modified Code
|
[Mistral Small 4] -> Automated Review
|
Pull Request / Commit
Βήμα 1: Αναζήτηση Κώδικα με Codestral Embed
Η παραγωγή κώδικα χωρίς γνώση της υπάρχουσας βάσης κώδικα παράγει αποτελέσματα που δεν μοιάζουν με το υπόλοιπο έργο. Το πρώτο βήμα, επομένως, είναι ο εντοπισμός των σχετικών αρχείων χρησιμοποιώντας τον δείκτη ενσωμάτωσης (embedding index) που δημιουργήθηκε στο προηγούμενο μάθημα. Η παρακάτω συνάρτηση μετατρέπει την περιγραφή της εργασίας σε διάνυσμα, τη συγκρίνει με κάθε ευρετηριασμένο αρχείο και επιστρέφει τις πέντε πλησιέστερες αντιστοιχίσεις.
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]]
Βήμα 2: Παραγωγή Κώδικα με Codestral
Μόλις αποκτήσετε το πλαίσιο (context), το Codestral μπορεί να παράγει κώδικα. Η ποιότητα της εξόδου εξαρτάται από τον τρόπο με τον οποίο παρουσιάζετε αυτό το πλαίσιο: συγχωνεύστε τα ανακτημένα αρχεία στο μήνυμα συστήματος, συνοδευόμενα από μια ρητή οδηγία σεβασμού των υφιστάμενων συμβάσεων. Ο ορισμός temperature=0.1 διατηρεί την έξοδο κοντά στον ντετερμινισμό, κάτι που είναι επιθυμητό όταν ο παραγόμενος κώδικας πρέπει να ενσωματωθεί απρόσκοπτα σε ένα έργο και όχι να εκπλήξει τον δημιουργό του.
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
Βήμα 3: Αναθεώρηση Κώδικα με Mistral Small 4
Ο έλεγχος έρχεται τελευταίος. Το Mistral Small 4 λαμβάνει την αρχική κατάσταση, την τελική κατάσταση και την περιγραφή της εργασίας, και στη συνέχεια διατυπώνει την ετυμηγορία του σε αυστηρή μορφή JSON. Αυτή η επιλογή είναι κρίσιμη: οι αναθεωρήσεις σε ελεύθερο κείμενο δεν είναι χρήσιμες από downstream κώδικα, whereas ένα πεδίο boolean approved σάς επιτρέπει να αυτοματοποιήσετε τα επόμενα βήματα. Οι ζητούμενες κατηγορίες διαχωρίζουν σκόπιμα τα κρίσιμα ζητήματα, τις προτάσεις βελτίωσης και τα ζητήματα ασφαλείας, καθώς αυτά απαιτούν διαφορετικό χειρισμό.
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
Πλήρης Ροή Εργασίας: Από το Ticket στο PR
Μπορείτε πλέον να συνθέσετε αυτές τις τρεις συναρτήσεις σε μια ενιαία αλυσίδα που ξεκινά με ένα ticket και καταλήγει σε αναθεωρημένο κώδικα. Διατηρήστε τις ενδιάμεσες εντολές print: σε μια αυτοματοποιημένη ροή εργασίας, η καταγραφή του τι βρέθηκε, τι παρήχθη και τι αναθεωρήθηκε είναι ο μόνος τρόπος για να κατανοήσετε αργότερα γιατί ένα αποτέλεσμα σας απογοήτευσε.
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,
}
Ενσωμάτωση CI/CD
Ο μηχανισμός αυτός φτάνει τις πλήρεις δυνατότητές του όταν συνδέεται με το CI σας. Μια ροή εργασίας GitHub Actions που ενεργοποιείται σε κάθε άνοιγμα και ενημέρωση pull request αρκεί για να εκτελέσει την αναθεώρηση σε κάθε προτεινόμενη αλλαγή, χωρίς να απαιτείται ανθρώπινη σκέψη.
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 }}
Το καλούμενο σενάριο ανακτά τη διαφορά (diff), περνά κάθε τροποποιημένο αρχείο στο review_code και σχολιάζει το PR μόνο όταν η αναθεώρηση δεν εγκρίνει την αλλαγή. Αυτή η προϋπόθεση είναι απαραίτητη: ένα bot που σχολιάζει τα πάντα μετατρέπεται σε θόρυβο που η ομάδα μαθαίνει να αγνοεί μέσα σε λίγες μέρες.
# 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)
Κοινές Παραλλαγές Παραγωγής
Οι ομάδες που υιοθετούν αυτό το πρότυπο το προσαρμόζουν σε αρκετές επαναλαμβανόμενες περιπτώσεις χρήσης. Πρώτον, αυτόματη παραγωγή δοκιμών: για κάθε νέο αρχείο, η ροή εργασίας παράγει τις αντίστοιχες δοκιμές, μετατοπίζοντας την επαναληπτική εργασία χωρίς να καταργεί την αναθεώρηση. Στη συνέχεια, συνεχής τεκμηρίωση, όπου τα docstrings παράγονται και ενημερώνονται με κάθε commit αντί κατά τη διάρκεια ενός ελέγχου. Έπειτα, ανίχνευση παλινδρόμησης, όπου το μοντέλο αναθεώρησης αναλύει τις διαφορές για πιθανές παρενέργειες. Τέλος, μετανάστευση κώδικα, η οποία αυτοματοποιεί τη μετατροπή μεταξύ πλαισίων εργασίας ή εκδόσεων· εδώ είναι που η εξοικονόμηση χρόνου είναι πιο σημαντική, επειδή ο μετασχηματισμός είναι επαναληπτικός και το αποτέλεσμα είναι επαληθεύσιμο από υπάρχουσες δοκιμές.
Μια προειδοποίηση ισχύει και για τις τέσσερις περιπτώσεις: η αυτοματοποιημένη αναθεώρηση δεν αντικαθιστά την ανθρώπινη αναθεώρηση. Εντοπίζει μηχανικές παραβλέψεις και αφήνει την κρίση για το τι πραγματικά έχει σημασία στους προγραμματιστές σας.
Βασικά σημεία
- Μια ροή εργασίας κώδικα με AI συνδυάζει αναζήτηση (Embed), παραγωγή (Codestral) και αναθεώρηση (Mistral Small 4)
- Το Codestral Embed βρίσκει το πλαίσιο, το Codestral παράγει και ένα μοντέλο γενικής χρήσης επαληθεύει
- Η ενσωμάτωση CI/CD επιτρέπει αυτοματοποιημένες αναθεωρήσεις και παραγωγή δοκιμών
- Το πρότυπο αναζήτηση -> παραγωγή -> αναθεώρηση εφαρμόζεται σε πολλές ροές εργασίας
- Η αυτοματοποιημένη αναθεώρηση δεν αντικαθιστά την ανθρώπινη αναθεώρηση· τη συμπληρώνει