大规模的人工智能代码审查：LinkedIn采用的多智能体解决方案
在LinkedIn这样的规模下，仅仅依靠人工审核员来处理代码审查任务，或者直接将现成的AI审核系统应用于GitHub，显然并不是一种有效的管理方式。为了解决这个问题，LinkedIn的工程师们开发了一个多智能体的AI代码审查平台——该平台能够理解企业的编码规范与环境，将代码审查视为一种重要的生产性基础设施，并有效减少错误判断以及那些信息量较少的反馈结果。 作者：Sergio De Simone
在LinkedIn这样的规模下，仅仅依靠人工审核员来处理代码审查任务，或者直接将现成的AI审核系统应用于GitHub，显然并不是一种有效的管理方式。为了解决这个问题，LinkedIn的工程师们开发了一个多智能体的AI代码审查平台——该平台能够理解企业的编码规范与环境，将代码审查视为一种重要的生产性基础设施，并有效减少错误判断以及那些信息量较少的反馈结果。
作者：Sergio De Simone相关文章
如何使测试工作更具可持续性
通过采用可持续的测试策略，你可以跳过那些不必要的测试，确保问题能够尽快被发现，并且只运行那些会受到代码变更影响的测试。记录每次测试所消耗的能量，同时利用静态代码分析工具，可以帮助你找出效率低下的地方，从而指导优化工作。 作者：本·林德斯
阅读全文
微软将人工智能治理机制从政策层面转向运行时执行环节
微软提出了一种涵盖九个治理领域和四种功能的AI治理架构：政策制定、控制机制、透明度以及审计证据。这一框架将政策规定与运行时的执行措施、持续评估机制、可观测性体系、身份管理机制、安全保障措施以及审计流程相结合，从而帮助各组织在AI应用实际投入生产环境后验证其是否符合相关的治理要求。 作者：Leela Kumili
阅读全文
《消毒器使用手册：内存管理、初始化机制以及竞态条件问题》
一些最为危险的“原生故障”其实是由那些看似运行正常的程序所引发的。 加密操作会生成正确的密文，解析器也会拒绝处理格式错误的输入数据，缓存机制也能通过基准测试，候选发布版本也能通过所有的单元测试和集成测试。 然而，在这些看似正确的结果背后，某些组件仍然认为自己拥有已经被转移的对象控制权；某些成功路径在运行过程中并未初始化输出字段；有些终结器还在等待释放那些实际上已经由其他运行时机制控制的对象；还有两个线程会修改相同的状态，但调度器并没有选择那种会导致竞争条件出现的执行顺序。 然而，预期的输出结果中根本没有任何迹象能够揭示这些隐藏的问题。 第一次出现可观察到的故障可能要几个小时后才会发生：比如分配
阅读全文
在修改现有的代码库之前，如何利用人工智能来理解这些代码的含义
许多工程师在继承现有的代码库时，首先想要做的就是修改这些代码。我完全理解这种冲动。 当你打开一个长达1500行的类文件时，你会看到其中混杂着数据库调用、业务规则、分散在各处的配置值、根本没人愿意去修改的方法，以及那些提到早已被淘汰的系统的注释。 这时，一款人工智能编码助手主动提出可以帮助你理解整个代码库的结构。 于是你就会问： 请重构这个类。 但通常来说，现在还不是进行重构的时候。 从处理遗留系统的经验中，我认识到：代码虽然可能写得很糟糕，但却可能蕴含着重要的信息。 某个奇怪的条件实际上可能代表着某种业务规则；重复出现的计算逻辑可能是由于两个看似相同的流程其实并不完全相同所致；一个命名很糟糕的
阅读全文