Titel: Verbesserung der Softwarequalität durch AI-gestützte Code-Analyse und -Generierung

Einleitung:

Large language models (LLMs) haben die Entwicklung von KI-Werkzeugen ermöglicht, die Entwicklern dabei helfen, schneller mehr Code zu schreiben. Allerdings stoßen diese Tools bei komplexen Aufgaben auf Grenzen, wie beispielsweise das Verständnis von Programmiersprachen, komplexe Abhängigkeiten und die Anpassung an den kontextuellen Code. Dadurch kann die Qualität des Codes beeinträchtigt werden und es können Engpässe entstehen. Qodo ist eine Code-Integritätsplattform, die im NVIDIA Inception-Programm entwickelt wurde und Softwarequalitäts-Workflows mit KI-gesteuerten Agenten für die Code-Erstellung, -Tests und -Überprüfung verbessert und automatisiert.

Kontextuelles Bewusstsein für effektive KI-Unterstützung:

Qodo ist der Überzeugung, dass KI nur dann sinnvolle Verbesserungen der Softwarequalität bewirken kann, wenn sie ein tiefes kontextuelles Bewusstsein besitzt. Code existiert nicht isoliert, sondern innerhalb komplexer Architekturen, sich entwickelnder Abhängigkeiten und spezifischer Kodierungsstandards. Um Entwickler effektiv zu unterstützen, muss KI nicht nur die Syntax verstehen, sondern auch die Absicht, Muster und die allgemeine Struktur der Codebasis. Qodo verwendet dazu fortschrittliche Retrieval-Augmented Generation (RAG), Indexierung und Analyse, die von einem hochmodernen Code-Embedding-Modell unterstützt werden, das auf NVIDIA DGX trainiert wurde.

Code-Indexierung und kontextbasierte Generierung:

Große komplexe Codebasen ändern sich ständig, weshalb es wichtig ist, kontinuierlich einen aktuellen Index aufrechtzuerhalten. Qodo hat eine robuste Pipeline entwickelt, um eine frische Indexierung sicherzustellen. Diese Pipeline beinhaltet das Abrufen von Dateien aus einer Codebasis, das Aufteilen der Dateien in Segmente und das Hinzufügen von natürlichsprachlichen Beschreibungen zu den Embeddings, um dem AI-System das Verständnis des Kontextes zu erleichtern. Eine Herausforderung bei codebasierten RAG-Pipelines ist das Aufteilen großer Code-Dateien in sinnvolle Segmente. Qodo verwendet sprachspezifische statische Analysemethoden, um die Knoten rekursiv in kleinere Segmente aufzuteilen und verlorene Kontextinformationen rückwirkend wieder hinzuzufügen. Dadurch werden Segmente erstellt, die die Code-Struktur respektieren und zusammengehörige Elemente beibehalten.

Relevante Code-Embeddings:

Quelle: https://developer.nvidia.com/blog/spotlight-qodo-innovates-efficient-code-search-with-nvidia-dgx/