Automaattiset koodiputket
Tällä sivulla
- Kehityksen automatisointi Codestralilla ja yleiskäyttöisellä mallilla
- Koodiputken arkkitehtuuri
- Vaihe 1: Koodihaku Codestral Embedillä
- Vaihe 2: Koodin tuottaminen Codestralilla
- Vaihe 3: Koodin tarkistus Mistral Small 4:llä
- Täydellinen putki: Tiketistä PR:ään
- CI/CD-integraatio
- Yleiset tuotantovariaatiot
- Keskeiset asiat
Oppitunti päivitetty 2. marraskuuta 2026. Aiempi tarkistusvaihe perustui Devstraliin, joka poistettiin rajapinnasta 31. heinäkuuta 2026. Nykyään se käyttää Mistral Small 4 -mallia (
mistral-small-2603). Lähde: Models.
Kehityksen automatisointi Codestralilla ja yleiskäyttöisellä mallilla
Olemme tähän mennessä esitelleet jokaisen Mistral AI:n työkalun erikseen ihmiskäyttäjän edessä toimivina. Niiden todellinen arvo paljastuu, kun ketjutat ne yhteen. Codestral Embed, Codestral ja yleiskäyttöinen malli, kuten Mistral Small 4, muodostavat automatisoidun kehitysputken, joka pystyy etsimään, tuottamaan ja tarkistamaan koodia ilman manuaalista puuttumista jokaisessa vaiheessa.
Koodiputken arkkitehtuuri
Täydellinen putki jakautuu kolmeen vaiheeseen, joista jokainen on osoitettu sille mallille, joka suorittaa kyseisen tehtävän parhaiten.
- Koodihaku – Etsi asiaankuuluvaa koodia koodikannasta (Codestral Embed)
- Koodin tuottaminen – Luo tai muokkaa koodia (Codestral)
- Koodin tarkistus – Varmista ja valido muutokset (Mistral Small 4)
Lue tietovirta ylhäältä alas; jokainen lohko kuluttaa edellisen tuotoksen.
User Request
|
[Codestral Embed] -> Relevant Files
|
[Codestral] -> Generated/Modified Code
|
[Mistral Small 4] -> Automated Review
|
Pull Request / Commit
Vaihe 1: Koodihaku Codestral Embedillä
Koodin tuottaminen ilman tietoa olemassa olevasta koodikannasta tuottaa tuloksia, jotka eivät muistuta lainkaan muuta projektia. Siksi ensimmäinen vaihe on paikantaa asiaankuuluvat tiedostot edellisellä oppitunnilla rakennetun upotusindeksin avulla. Alla oleva funktio muuntaa tehtäväkuvauksen vektoriksi, vertaa sitä jokaiseen indeksoituun tiedostoon ja palauttaa viisi lähintä osumaa.
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]]
Vaihe 2: Koodin tuottaminen Codestralilla
Kun konteksti on hallussa, Codestral voi tuottaa koodia. Tuloksen laatu riippuu siitä, miten esität kyseisen kontekstin: yhdistä haetut tiedostot järjestelmäviestiin ja liitä mukaan nimenomainen ohje noudattaa olemassa olevia käytäntöjä. Asettamalla temperature=0.1 pidät tuloksen lähellä determinististä, mikä on toivottavaa, kun tuotetun koodin on integroiduttava saumattomasti projektiin sen sijaan, että se yllättäisi tekijänsä.
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
Vaihe 3: Koodin tarkistus Mistral Small 4:llä
Valvonta tulee viimeisenä. Mistral Small 4 saa vastaanottaa tilan ennen muutosta, tilan muutoksen jälkeen ja tehtäväkuvauksen, minkä jälkeen se antaa tuomionsa tiukassa JSON-muodossa. Tämä valinta on kriittinen: vapaamuotoiset proosamuotoiset arviot eivät kelpaa downstream-koodille, kun taas boolean-tyyppinen approved-kenttä mahdollistaa seuraavien vaiheiden automatisoinnin. Pyydetyt kategoriat erottavat tarkoituksellisesti estävät ongelmat, parannusehdotukset ja tietoturvaongelmat, sillä nämä vaativat erilaista käsittelyä.
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
Täydellinen putki: Tiketistä PR:ään
Nyt voit koota nämä kolme funktiota yhdeksi ketjuksi, joka alkaa tiketistä ja tuottaa tarkistetun koodin. Pidä lomittaiset print-lauseet mukana: automatisoidussa putkessa lokitus siitä, mitä löydettiin, tuotettiin ja tarkistettiin, on ainoa tapasi ymmärtää myöhemmin, miksi tulos petti odotuksesi.
def ticket_to_code_pipeline(ticket: str, codebase_index: list) -> dict:
"""Complete pipeline: ticket -> code -> review."""
# 1. Kontekstihaku
relevant_files = search_context(ticket, codebase_index)
print(f"Files found: {[f['path'] for f in relevant_files]}")
# 2. Koodin tuottaminen
generated_code = generate_code(ticket, relevant_files)
print(f"Generated code: {len(generated_code)} characters")
# 3. Automaattinen tarkistus
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,
}
CI/CD-integraatio
Tämä mekanismi saavuttaa täyden potentiaalinsa, kun se kytketään CI-järjestelmääsi. GitHub Actions -työnkulku, joka laukeaa jokaisen pull requestin avaamisesta ja päivityksestä, riittää suorittamaan tarkistuksen jokaiselle ehdotetulle muutokselle ilman ihmisen harkintaa.
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 }}
Kutsuttu skripti noutaa diffin, syöttää jokaisen muokatun tiedoston funktiolle review_code ja kommentoi PR:ää vain, jos tarkistus ei hyväksy muutosta. Tämä ehto on olennainen: botti, joka kommentoi kaikkea, muuttuu meluksi, jonka tiimi oppii ignoroi muutamassa päivässä.
# scripts/ai_review.py
def review_pull_request(pr_number: int):
"""Automated PR review with Mistral Small 4."""
# 1. Nouda PR-diff
diff = get_pr_diff(pr_number)
# 2. Analysoi jokainen muokattu tiedosto
for file in diff.files:
review = review_code(
original_code=file.before,
modified_code=file.after,
description=diff.title,
)
# 3. Lähetä kommentti PR:ään
if not review["approved"]:
post_pr_comment(pr_number, file.path, review)
Yleiset tuotantovariaatiot
Tätä kaavaa noudattavat tiimit mukauttavat sitä useisiin toistuviin käyttötarkoituksiin. Ensinnäkin automaattinen testien tuottaminen: jokaiselle uudelle tiedostolle putki tuottaa vastaavat testit, siirtäen rutiinitehtävän pois, mutta jättäen tarkistuksen ennalleen. Seuraavaksi jatkuva dokumentaatio, jossa docstringit tuotetaan ja päivitetään jokaisen commitin yhteydessä auditoinnin sijaan. Sitten regressioiden havaitseminen, jossa tarkistusmalli analysoi diffejä todennäköisten sivuvaikutusten varalta. Lopuksi koodin migraatio, joka automatisoi muunnokset kehysten tai versioiden välillä – tässä ajansäästö on merkittävintä, koska muunnos on toistuva ja tulos on varmennettavissa olemassa olevilla testeillä.
Yksi varoitus koskee kaikkia neljää: automaattinen tarkistus ei korvaa ihmisen tekemää tarkistusta. Se catches mekaaniset huolimattomuudet ja jättää harkinnan siitä, mikä todella merkitsee kehittäjillesi.
Keskeiset asiat
- AI-koodiputki yhdistää haun (Embed), tuottamisen (Codestral) ja tarkistuksen (Mistral Small 4)
- Codestral Embed löytää kontekstin, Codestral tuottaa ja yleiskäyttöinen malli varmentaa
- CI/CD-integraatio mahdollistaa automatisoidut tarkistukset ja testien tuottamisen
- Hae -> tuota -> tarkista -kaava sopii moniin työnkulkuhin
- Automaattinen tarkistus ei korvaa ihmisen tarkistusta; se täydentää sitä