در مقیاس لینکدین، اتکا به بازبینهای انسانی یا صرفاً قرار دادن یک بازبین هوش مصنوعی آماده در مقابل گیتهاب، روش مؤثری برای مدیریت درخواستهای ادغام (PR) نیست. برای حل این مسئله، مهندسان لینکدین یک پلتفرم چندعاملیِ بازبینی کد با هوش مصنوعی ساختهاند که زمینه کدنویسی سازمان را درک میکند، بازبینی کد را همچون زیرساختی تولیدی در نظر میگیرد و توهمزایی و بازخوردهای کمارزش را به حداقل میرساند.
هدف لینکدین از پلتفرم بازبینی کد خود، تولید بازبینیهایی است که توسعهدهندگان آنها را شایسته اقدام بدانند، نسبت سیگنال به نویز را به حداکثر برساند و «استانداردها، قراردادها و دانش ضمنیِ کدبیس را که مدلهای عمومی هوش مصنوعی بهطور مداوم از دست میدهند» در نظر بگیرد.
«تولید نظرهای بازبینی هوش مصنوعی در مقیاس بزرگ، کاری ساده است. بخش دشوار، همه چیزهایی است که پس از آن رخ میدهد: اطمینان از اینکه این نظرها بهجای آنکه حاصل توهمزایی باشند، بهطور واقعی بر تغییرات کد متکیاند؛ ارزش سیگنال بالایی دارند، نه اینکه پر از نویز باشند؛ با قراردادهای همین کدبیس، نه صرفاً بهترینروشهای عمومی، سازگارند؛ و پیش از بازبین انسانی، نه پس از آن، ارائه میشوند.»
بهطور مشخص، اتکا به یک بازبین هوش مصنوعی آماده، سه محدودیت ساختاری را آشکار میکند: نخست، نقاط کور ناشی از استفاده از یک مدل واحد که میتواند باعث شود بازبین هوش مصنوعی همان دسته از باگها را نبیند و همان مسائل کمارزش را علامتگذاری کند؛ دوم، سفارشیسازی ناکافی که رمزگذاری همزمان سیاستهای سراسر سازمان، قراردادهای اختصاصی هر مخزن و راهنماییهای هدفمند برای سناریوهای پرریسک یا پراهمیت را دشوار میکند؛ و سوم، فقدان کنترل عملیاتی که توانایی کنترل، ارزیابی و پایش بازبین را بهعنوان بخشی از زیرساخت مهندسی محدود میسازد.
بر اساس این تحلیل، پلتفرم لینکدین هر یک از این محدودیتها را از طریق چند بازبین مستقل هوش مصنوعی برطرف میکند؛ بازبینهایی که از مدلها و رویکردهای استدلالی متفاوت استفاده میکنند. این پلتفرم همچنین از سفارشیسازی عمیق و ترکیبپذیر در سطوح مختلف بهره میبرد؛ از سیاستهای سراسر سازمان و قراردادهای سطح مخزن گرفته تا قواعد خاص هر زمینه. معماری مبتنی بر کوبرنتیز نیز یک خط لوله رویدادمحور با صفهای پایدار و پردازشگرهای مقیاسپذیر افقی فراهم میکند و امکان پایش تأخیر، نرخ پذیرش و نرخ تکمیل، و همچنین خطاهای ارائهدهندگان را به وجود میآورد.
استفاده از چند بازبین مستقل هوش مصنوعی، اعتبارسنجی متقابل را ممکن میکند و اطمینان به یافتهها را افزایش میدهد. برای مثال، هنگامی که چند عامل بهطور مستقل یک مسئله مشابه را شناسایی میکنند، لینکدین این همگرایی را شاهدی قوی در نظر میگیرد. بااینحال، یافتههای منحصربهفرد بهطور خودکار کنار گذاشته نمیشوند و بهصورت جداگانه مورد راستیآزمایی قرار میگیرند. در نهایت، پیشنهادهای ظاهری، مواردی که پیشتر برطرف شدهاند، پیشنهادهای نامرتبط یا موارد ناسازگار با مخزن، پیش از انتشار فیلتر میشوند.
برای اندازهگیری اینکه توسعهدهندگان در عمل چند وقت یکبار پیشنهادهای تولیدشده با هوش مصنوعی را پیادهسازی میکنند، لینکدین یک خط لوله خودکار ارزیابی نرخ پذیرش ساخت تا همه پیشنهادها را با کدبیس ادغامشده نهایی مقایسه کند. این ارزیابی ۵٬۲۳۰ نظر بازبینی نمونهبرداریشده از میان ۱٬۷۲۷ درخواست ادغام را پوشش داد و نشان داد که ۹۰٫۱ درصد آنها را میتوان با اطمینان بالا و بر اساس کد ادغامشده ارزیابی کرد. در مجموع، ۶۳٫۹ درصد پیشنهادها پذیرفته شدند؛ البته این میزان بر اساس دستهبندی تفاوت چشمگیری داشت: ۸۰ درصد خطاهای منطقی، ۵۸٫۱ درصد اصلاحات باگ، ۴۳٫۵ درصد تغییرات بازآرایی، ۴۰٫۶ درصد اصلاحات مرتبط با امنیت و ۱۰۰ درصد باگهای همروندی پذیرفته شدند.
شرکتهای دیگری نیز مسئله بازبینی کد در مقیاس بزرگ را بررسی کردهاند، اما با رویکردهایی متفاوت. برای نمونه، کلاودفلر یک سامانه ارکستراسیون پیرامون عامل کدنویسی متنباز OpenCode ساخت و میان نیازمندیها و محدودیتهای خود توازن متفاوتی برقرار کرد. بهطور مشابه، Databricks چندین مؤلفه منتشر کرده است؛ از جمله Unity AI Gateway برای مدیریت متمرکز هوش مصنوعی و Omnigent برای ابزارهای توسعهدهندگان. این مؤلفهها به چیزی میپردازند که Databricks آن را «رشد نمایی هزینههای کدنویسی با هوش مصنوعی» توصیف میکند.
پلتفرم چندعاملی بازبینی لینکدین، جزئیات بسیار بیشتری دارد که در اینجا نمیتوان به همه آنها پرداخت. برای مطالعه جزئیات فنی کامل و بینشهای مربوط به پیادهسازی، حتماً مقاله اصلی را بخوانید.
منبع:
https://www.infoq.com/news/2026/08/linkedin-ai-code-review/?_gl=1*1le6efu*_up*MQ..*_ga*MTQ1NTcxMzI2Mi4xNzg3NjYyNjk0*_ga_VMVPD4D2JY*czE3ODc2NjI2OTMkbzEkZzEkdDE3ODc2NjI2OTgkajU1JGwwJGgw