کد ریویو اصلاً برای چی بود؟
هوش مصنوعیخلاصهٔ کاملتر
تو تازهترین شمارهٔ خبرنامهٔ Engineering Enablement از DX، برایان هاک میگه یه چیزی تو صف کد ریویو داره میشکنه. طبق پژوهشی که به متا اشاره داره، تو یه سال گذشته خطوط کد معنادار هر دیفی که آدم لند کرده ۱۰۶٪ و تعداد دیف هر توسعهدهنده در ماه ۵۱٪ بیشتر شده و بیش از ۸۰٪ این رشد مستقیم از ایجنتهای AI میاد. همزمان درصد دیفهایی که تو ۲۴ ساعت ریویو میشن داره کم میشه. تحلیل خود DX هم نشون داده اندازهٔ میانهٔ پولریکوئستها ۶۴٪ بزرگتر شده.
نویسنده معتقده بخش زیادی از این فشار رو خودمون ساختیم و ربطی به AI نداره. تحقیقات سالهاست میگن تغییرها رو کوچیک نگه دار، توضیح درست بنویس، چکهای خودکار رو قبل از آدم اجرا کن و ریویو رو روی یه گروه کوچیک متمرکز نکن. تو یه مطالعهٔ مایکروسافت روی ۹۱۱ توسعهدهنده، فقط ۲۶٪ گفته بودن همیشه توضیح دقیق مینویسن و بحث کردن سر جزئیات بیاهمیت یکی از رایجترین آفتها بوده. به گفتهٔ نویسنده، AI این وضعیت رو نساخته؛ ارثش برده و بزرگش کرده.
بخش دوم مقاله میگه AI جای درستی هم داره. طبق پژوهش AI Where It Matters، توسعهدهندهها نمیخوان ریویو حذف بشه؛ میخوان AI کارهای بدون قضاوت انسانی رو برداره، مثل پیدا کردن مسائل امنیتی و علامت زدن تغییرهای پرریسک. چیزی که صریحاً نمیخوان، مرج خودکار یا سپردن مسئولیت نهایی به AI ـه. سیستم RADAR متا همین خط رو میره: ریویو خودکار فقط برای تغییرهای کمریسک.
عددهای RADAR جالبن؛ بیش از ۵۳۵ هزار دیف ریویو شده، بیش از ۳۳۱ هزارتاش لند شده، نرخ revert حدود یکسوم بقیه، نرخ حادثهٔ پروداکشن یکپنجاهم و زمان میانهٔ بسته شدن ۳٫۳ برابر سریعتر. ولی خود تیم RADAR هم یه معامله رو قبول داره: هرچی خودکارسازی بیشتر بشه، انتقال دانشی که از ریویو انسانی میاومد ضعیفتر میشه.
و همینجاست که نکتهٔ اصلی مقاله در میاد: کد ریویو هیچوقت فقط برای پیدا کردن باگ نبوده. تو یه مطالعهٔ شاخص مایکروسافت، با اینکه بیشتر توسعهدهندهها انگیزهٔ اصلی رو کشف نقص میدونستن، فقط ۱۴٪ کامنتهای واقعی ریویو دربارهٔ نقص بوده؛ بقیه بررسی راهحلهای جایگزین، انتقال دانش و خبردار شدن از کار بقیه بوده. نویسنده به کار مارگارت-آن استوری اشاره میکنه که اسم این پدیده رو بدهی شناختی و بدهی نیت گذاشته: فاصلهای که بین کاری که سیستم میکنه و درکی که تیم از چراییش داره باز میشه و ماهها بعد، وسط یه قطعی یا بازطراحی، خودش رو نشون میده.
توصیهٔ عملی نویسنده سه تاست و ترتیبش مهمه: اول پایهها رو درست کن (PR کوچیک، توضیح «چرا»، محافظت از وقت ریویور، خودکار کردن کارهای روتین مثل فرمت و لینت)، بعد AI رو دور قضاوت انسانی طراحی کن، یعنی لایهبندی ریسک بهجای خودکارسازی فراگیر و AI ای که مسئله رو بالا میاره نه اینکه بیصدا حلش کنه. جملهٔ جمعبندیش هم اینه که AI باید وقتی که صرف ریویو میکنیم رو کم کنه، نه چیزی که ازش یاد میگیریم.
نکات کلیدی:
- حجم و اندازهٔ پولریکوئستها با AI جهش کرده ولی ظرفیت ریویور ثابت مونده.
- بخش زیادی از فشار فعلی از عادتهای بد قدیمیه که AI فقط بزرگترشون کرده.
- توسعهدهندهها AI رو بهعنوان کمککننده میخوان، نه تصمیمگیرندهٔ نهایی.
- RADAR متا نشون داده ریویو خودکارِ ریسکبندیشده جواب میده، ولی انتقال دانش رو تهدید میکنه.
- فقط ۱۴٪ کامنتهای ریویو دربارهٔ نقصه؛ خروجی نامرئی ریویو، درک مشترک تیمه.
