Qodo 用 GEPA 优化代码评审推荐智能体:生产 A/B 测试中平均成本降约 50%、延迟降 25%
AI 代码评审工具 Qodo 介绍用 GEPA 方法优化其“推荐智能体”:生产环境 A/B 测试显示,平均成本下降约 50%,延迟下降 25%,精确度与原方案相当。
AI 代码评审工具厂商 Qodo 10 月 22 日发文,介绍团队如何用 GEPA 改进产品中的“推荐智能体”。这个智能体负责回答一个代码评审里很实际的问题:在一次评审给出的众多发现(findings)里,哪些是团队真正会采纳并去修改的。
Qodo 公布的结果来自生产环境 A/B 测试:优化后,推荐智能体的平均成本下降约 50%,延迟下降 25%,精确度(precision)与原方案相当。文章由 Qodo 的 Ravid Cohen 撰写,标题为《Using GEPA to Make Code Review Recommendations More Useful》,介绍了测试方法。
GEPA 是一种通过反思式迭代来优化提示词和智能体指令的方法:系统让模型分析过往运行轨迹中的成败原因,提出改进后的提示词,再在评估集上筛选表现更好的候选版本,适合在不重新训练模型的情况下提升智能体效果或降低开销。Qodo 的案例说明,这类优化不只用于提高准确率,也可以在保持精确度不变的前提下压缩成本和响应时间。
对研发团队而言,代码评审工具常见的问题是发现太多、噪音太大,开发者最终忽略大部分建议。推荐智能体的价值在于对发现做排序和筛选,而它本身的调用成本和延迟又会直接影响每次 PR 评审的体验和费用。以上数字为 Qodo 自述,未披露测试样本量与所用模型。
Using GEPA to make code review recommendations more useful
Which code review findings will your team act on?
We used GEPA to improve Qodo’s recommendation agent. In a production A/B test, its average cost fell roughly 50% and latency 25%, with comparable precision.
Ravid Cohen explains how we tested it. https://t.co/t2czafURMq