Биологический подход к Code Review
Разработчик Ник Ниси (Nick Nisi) создал инструмент Jev, который переводит изменения в коде (diff) в «запах» — набор из 30 нейтральных дескрипторов. Эти данные подаются на симуляцию мозга реальной плодовой мушки (Drosophila melanogaster), содержащую 176 422 нейрона. В отличие от больших языковых моделей, симуляция не обучалась на исходном коде TypeScript, но способна «чувствовать» изменения и выносить вердикт.
Процесс работает по принципу обонятельной системы мухи: изменения описываются через свойства (например, «изменена логика», «затронуты права доступа»), после чего активность нейронов в грибовидном теле (mushroom body) формирует голос. Вердикт проверяется запуском тестов: успешный тест — «сахар», регрессия — «горечь».
Метрики и результаты
Система демонстрирует высокую эффективность в выявлении проблемных изменений. По данным автора, точность симуляции составляет 88%. Ниже приведена структура входных данных, которые формируют «запах» для нейросети:
| Категория изменения | Пример дескриптора (вопрос к коду) | Пример кода (TypeScript) |
|---|---|---|
| Удаление условия | Убирает ли изменение проверку, которая была в оригинале? | return tool === "read" || humanApproved; → return true; |
| Изменение арифметики | Изменены ли операции округления или порядок вычислений? | Упрощение обработки процентов |
| Работа с правами | Затрагивает ли изменение авторизацию или роли? | Доступ к API ключам и токенам |
| Асинхронность | Изменены ли промисы, колбэки или порядок событий? | Обработка внешних запросов |
Техническая реализация и безопасность
Ключевое отличие Fruitfly от стандартных AI-ассистентов — изоляция и отсутствие выполнения кода. Симуляция работает локально, используя WebGL для визуализации реальных 3D-координат нейронов. Инструмент анализирует pull-requests построчно (до 32 ханков или целых файлов), но никогда не исполняет код и не имеет доступа к контрактам или бизнес-логике напрямую.
Для работы требуется API-ключ (например, для GitHub), но сами нейронные вычисления происходят на стороне пользователя. Это позволяет интегрировать биологическую симуляцию в CI/CD пайплайны без риска утечки кода в внешние модели.
Почему это важно
Проект доказывает, что сложные задачи анализа кода можно решать с помощью биологически достоверных, но легких вычислительных архитектур. 88% точности при использовании всего 176 тысяч нейронов (против миллиардов параметров в LLM) открывает путь к созданию энергоэффективных инструментов для ревью кода, которые не зависят от облачных провайдеров и работают автономно.
Источник: Fruitfly ↗