Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Cjevovodi automatiziranog koda

Lekcija 12 od 14 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Automatizacija razvoja s Codestralom i modelom opće namjene
  2. Arhitektura cjevovoda koda
  3. Korak 1: Pretraživanje koda s Codestral Embedom
  4. Korak 2: Generiranje koda s Codestralom
  5. Korak 3: Pregled koda s Mistral Small 4
  6. Potpuni cjevovod: Od tiketa do PR-a
  7. Integracija s CI/CD-om
  8. Uobičajene varijacije u proizvodnji
  9. Ključne točke

Lekcija ažurirana 2. studenoga 2026. Korak pregleda prethodno se oslanjao na Devstral, koji je uklonjen s API-ja 31. srpnja 2026. Sada koristi Mistral Small 4 (mistral-small-2603). Izvor: Models.

Automatizacija razvoja s Codestralom i modelom opće namjene

Do sada smo svaki alat Mistral AI predstavili pojedinačno, kako radi ispred ljudskog korisnika. Njihova prava vrijednost dolazi do izražaja kada ih povežeš u lanac. Codestral Embed, Codestral i model opće namjene poput Mistral Small 4 čine automatizirani razvojni cjevovod sposoban za pretraživanje, generiranje i pregled koda bez ručne intervencije u svakom koraku.

Arhitektura cjevovoda koda

Potpuni cjevovod dijeli se na tri faze, pri čemu je svaka dodijeljena modelu koji najbolje obavlja taj specifičan zadatak.

  1. Pretraživanje koda — Pronađi relevantan kod u codebaseu (Codestral Embed)
  2. Generiranje koda — Generiraj ili modificiraj kod (Codestral)
  3. Pregled koda — Provjeri i validiraj promjene (Mistral Small 4)

Protok podataka čitaj odozgo prema dolje; svaki blok troši izlaz prethodnog.

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

Korak 1: Pretraživanje koda s Codestral Embedom

Generiranje koda bez poznavanja postojećeg codebasea daje rezultate koji ne nalikuju ostatku projekta. Prvi je korak, stoga, locirati relevantne datoteke koristeći indeks ugradnje (embedding index) izgrađen u prethodnoj lekciji. Funkcija u nastavku pretvara opis zadatka u vektor, uspoređuje ga sa svakom indeksiranom datotekom i vraća pet najbližih podudaranja.

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]]

Korak 2: Generiranje koda s Codestralom

Kada imaš kontekst, Codestral može generirati kod. Kvaliteta izlaza ovisi o tome kako taj kontekst prezentiraš: spoji dohvaćene datoteke u sistemsku poruku, uz eksplicitnu uputu da se poštuju postojeće konvencije. Postavljanje temperature=0.1 drži izlaz blizu determinističkom, što je poželjno kada se generirani kod mora besprijekorno integrirati u projekt, a ne iznenaditi svog autora.

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

Korak 3: Pregled koda s Mistral Small 4

Kontrola dolazi na kraju. Mistral Small 4 prima stanje prije, stanje poslije i opis zadatka, zatim donosi svoju presudu u strogom JSON formatu. Ovaj je izbor ključan: recenzije u slobodnom prozoru nisu upotrebljive za daljnji kod, dok boolean polje approved omogućuje automatizaciju sljedećih koraka. Zatražene kategorije namjerno razdvajaju blokirajuće probleme, prijedloge za poboljšanje i sigurnosne zabrinutosti, jer one zahtijevaju različito postupanje.

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

Potpuni cjevovod: Od tiketa do PR-a

Sada možeš sastaviti ove tri funkcije u jedinstveni lanac koji počinje s tiketom i izdaje pregledani kod. Zadrži isprepletene print naredbe: u automatiziranom cjevovodu, bilježenje onoga što je pronađeno, generirano i pregledano jedini je način da kasnije razumiješ zašto te je neki rezultat razočarao.

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,
    }

Integracija s CI/CD-om

Ovaj mehanizam doseže svoj puni potencijal kada se poveže s tvojim CI-jem. GitHub Actions workflow pokrenut pri svakom otvaranju i ažuriranju pull requesta dovoljan je za pokretanje pregleda na svakoj predloženoj promjeni, bez potrebe za ljudskim razmišljanjem.

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 }}

Pozvani skript dohvaća diff, prosljeđuje svaku modificiranu datoteku funkciji review_code i komentira PR samo kada pregled ne odobri promjene. Ovaj je uvjet bitan: bot koji komentira sve postaje šum koji tim nauči ignorirati u roku od nekoliko dana.

# 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)

Uobičajene varijacije u proizvodnji

Timovi koji usvoje ovaj obrazac prilagođavaju ga nekoliko ponavljajućih slučajeva upotrebe. Prvo, automatsko generiranje testova: za svaku novu datoteku cjevovod proizvodi odgovarajuće testove, prebacujući teret bez eliminacije pregleda. Zatim, kontinuirana dokumentacija, gdje se docstringovi generiraju i ažuriraju uz svaki commit, a ne tijekom revizije. Potom, detekcija regresije, gdje model za pregled analizira diffove za vjerojatne nuspojave. Konačno, migracija koda, koja automatizira konverziju između frameworka ili verzija – ovdje je ušteda vremena najveća, jer je transformacija repetitivna, a rezultat provjerljiv postojećim testovima.

Jedno upozorenje vrijedi za sva četiri slučaja: automatizirani pregled ne zamjenjuje ljudski pregled. On hvata mehaničke propuste, a procjenu o onome što je doista važno prepušta tvojim programerima.

Ključne točke

  • AI cjevovod koda kombinira pretraživanje (Embed), generiranje (Codestral) i pregled (Mistral Small 4)
  • Codestral Embed pronalazi kontekst, Codestral generira, a model opće namjene verificira
  • Integracija s CI/CD-om omogućuje automatizirane preglede i generiranje testova
  • Obrazac pretraživanje -> generiranje -> pregled primjenjiv je na mnoge radne tokove
  • Automatizirani pregled ne zamjenjuje ljudski pregled; on ga nadopunjuje