理应资讯
软件研发智能化

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%

理应编辑室 ·

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。

Qodo 推荐智能体 A/B 测试结果(以原方案为 100)优化后相对原方案(原方案 = 100)平均成本约 50(降约 50%)延迟75(降 25%)精确度与原方案相当数据来源:Qodo 生产环境 A/B 测试(厂商自述)

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。

# Qodo# 代码评审# GEPA# 提示词优化# AI编程