Zautomatyzowane potoki kodu
Na tej stronie
- Automatyzacja rozwoju oprogramowania dzięki Codestral i modelowi ogólnego przeznaczenia
- Architektura potoku kodu
- Krok 1: Wyszukiwanie kodu za pomocą Codestral Embed
- Krok 2: Generowanie kodu za pomocą Codestral
- Krok 3: Recenzja kodu za pomocą Mistral Small 4
- Kompletny potok: od zgłoszenia do Pull Requesta
- Integracja z CI/CD
- Typowe warianty produkcyjne
- Kluczowe wnioski
Lekcja zaktualizowana 2 listopada 2026 r. Etap recenzji opierał się wcześniej na modelu Devstral, który został usunięty z API 31 lipca 2026 r. Obecnie wykorzystuje on Mistral Small 4 (
mistral-small-2603). Źródło: Modele.
Automatyzacja rozwoju oprogramowania dzięki Codestral i modelowi ogólnego przeznaczenia
Do tej pory przedstawialiśmy każde narzędzie Mistral AI osobno, działające przed ludzkim użytkownikiem. Ich prawdziwa wartość ujawnia się, gdy połączysz je w łańcuch. Codestral Embed, Codestral oraz model ogólnego przeznaczenia, taki jak Mistral Small 4, tworzą zautomatyzowany potok deweloperski zdolny do wyszukiwania, generowania i recenzowania kodu bez konieczności ręcznej interwencji na każdym etapie.
Architektura potoku kodu
Kompletny potok dzieli się na trzy etapy, z których każdy przypisany jest do modelu najlepiej radzącego sobie z danym zadaniem.
- Wyszukiwanie kodu — znajdowanie odpowiedniego kodu w bazie kodu (Codestral Embed)
- Generowanie kodu — tworzenie lub modyfikowanie kodu (Codestral)
- Recenzja kodu — weryfikacja i zatwierdzanie zmian (Mistral Small 4)
Czytaj przepływ danych od góry do dołu; każdy blok wykorzystuje wynik działania poprzedniego.
Zgłoszenie użytkownika
|
[Codestral Embed] -> Odpowiednie pliki
|
[Codestral] -> Wygenerowany/Zmodyfikowany kod
|
[Mistral Small 4] -> Zautomatyzowana recenzja
|
Pull Request / Commit
Krok 1: Wyszukiwanie kodu za pomocą Codestral Embed
Generowanie kodu bez znajomości istniejącej bazy kodu daje wyniki, które nie mają nic wspólnego z resztą projektu. Pierwszym krokiem jest zatem zlokalizowanie odpowiednich plików przy użyciu indeksu osadzeń (embeddingów) zbudowanego w poprzedniej lekcji. Poniższa funkcja konwertuje opis zadania na wektor, porównuje go z każdym zaindeksowanym plikiem i zwraca pięć najbliższych dopasowań.
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: Generowanie kodu za pomocą Codestral
Gdy już masz kontekst, Codestral może wygenerować kod. Jakość wyniku zależy od tego, jak przedstawisz ten kontekst: połącz pobrane pliki w wiadomości systemowej, dodając wyraźną instrukcję przestrzegania istniejących konwencji. Ustawienie temperature=0.1 utrzymuje wynik blisko deterministycznego, co jest pożądane, gdy generowany kod musi płynnie integrować się z projektem, a nie zaskakiwać jego 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
Krok 3: Recenzja kodu za pomocą Mistral Small 4
Kontrola przychodzi na końcu. Mistral Small 4 otrzymuje stan przed, stan po oraz opis zadania, a następnie wydaje swój werdykt w ścisłym formacie JSON. Ten wybór jest kluczowy: recenzje w formie swobodnego tekstu są nieużyteczne dla kolejnych etapów kodu, podczas gdy pole boolean approved pozwala zautomatyzować następne kroki. Żądane kategorie celowo oddzielają błędy blokujące, sugestie ulepszeń i problemy bezpieczeństwa, ponieważ wymagają one innego处理方式.
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
Kompletny potok: od zgłoszenia do Pull Requesta
Możesz teraz połączyć te trzy funkcje w jeden łańcuch, który zaczyna się od zgłoszenia (ticketu), a kończy na zrecenzowanym kodzie. Zachowaj przeplatane instrukcje print: w zautomatyzowanym potoku logowanie tego, co znaleziono, wygenerowano i zrecenzowano, to jedyny sposób, by później zrozumieć, dlaczego wynik Cię rozczarował.
def ticket_to_code_pipeline(ticket: str, codebase_index: list) -> dict:
"""Complete pipeline: ticket -> code -> review."""
# 1. Wyszukiwanie kontekstowe
relevant_files = search_context(ticket, codebase_index)
print(f"Files found: {[f['path'] for f in relevant_files]}")
# 2. Generowanie kodu
generated_code = generate_code(ticket, relevant_files)
print(f"Generated code: {len(generated_code)} characters")
# 3. Zautomatyzowana recenzja
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,
}
Integracja z CI/CD
Mechanizm ten osiąga pełen potencjał, gdy zostanie podłączony do Twojego środowiska CI. Przepływ pracy GitHub Actions wyzwalany przy każdym otwarciu i aktualizacji pull requesta wystarczy, aby uruchomić recenzję dla każdej proponowanej zmiany, bez konieczności angażowania ludzkiego myślenia.
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 }}
Wywoływany skrypt pobiera diff, przekazuje każdy zmodyfikowany plik do funkcji review_code i dodaje komentarz do PR tylko wtedy, gdy recenzja nie zostanie zatwierdzona. Ten warunek jest istotny: bot komentujący wszystko staje się szumem, który zespół nauczy się ignorować w ciągu kilku dni.
# scripts/ai_review.py
def review_pull_request(pr_number: int):
"""Automated PR review with Mistral Small 4."""
# 1. Pobranie diffa z PR
diff = get_pr_diff(pr_number)
# 2. Analiza każdego zmodyfikowanego pliku
for file in diff.files:
review = review_code(
original_code=file.before,
modified_code=file.after,
description=diff.title,
)
# 3. Dodanie komentarza do PR
if not review["approved"]:
post_pr_comment(pr_number, file.path, review)
Typowe warianty produkcyjne
Zespoły wdrażające ten wzorzec adaptują go do kilku powtarzających się przypadków użycia. Po pierwsze, automatyczne generowanie testów: dla każdego nowego pliku potok tworzy odpowiednie testy, przenosząc obowiązek, ale nie eliminując recenzji. Następnie, ciągła dokumentacja, gdzie docstringi są generowane i aktualizowane przy każdym commicie, a nie podczas audytu. Potem, wykrywanie regresji, gdzie model recenzujący analizuje diffy pod kątem prawdopodobnych skutków ubocznych. Wreszcie, migracja kodu, która automatyzuje konwersję między frameworkami lub wersjami – to tutaj oszczędność czasu jest największa, ponieważ transformacja jest powtarzalna, a wynik weryfikowalny przez istniejące testy.
Jedno zastrzeżenie dotyczy wszystkich czterech przypadków: zautomatyzowana recenzja nie zastępuje recenzji ludzkiej. Wyłapuje mechaniczne przeoczenia, a ocenę tego, co naprawdę ważne, pozostawia Twoim programistom.
Kluczowe wnioski
- Potok kodu AI łączy wyszukiwanie (Embed), generowanie (Codestral) i recenzję (Mistral Small 4)
- Codestral Embed znajduje kontekst, Codestral generuje, a model ogólnego przeznaczenia weryfikuje
- Integracja z CI/CD umożliwia zautomatyzowane recenzje i generowanie testów
- Wzorzec wyszukiwanie -> generowanie -> recenzja sprawdza się w wielu przepływach pracy
- Zautomatyzowana recenzja nie zastępuje recenzji ludzkiej; ją uzupełnia