Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoGitHub Trending AI→ original

A Alibaba abriu um revisor de código com IA que dezenas de milhares de desenvolvedores usaram por dois anos

A Alibaba abriu o código do Open Code Review, programa que analisa alterações de outros desenvolvedores e escreve comentários em linhas específicas. Durante dois anos ele funcionou dentro da empresa: dezenas de milhares de desenvolvedores o usaram e ele encontrou milhões de defeitos. A seleção de arquivos e o agrupamento das alterações são feitos por código comum, e não por uma rede neural, por isso grandes mudanças não são revisadas por amostragem. Se o seu revisor de IA pula arquivos e troca linhas, vale adotar esse esquema.

Processado por IA de GitHub Trending AI; editado por Hamidun News
A Alibaba abriu um revisor de código com IA que dezenas de milhares de desenvolvedores usaram por dois anos
Fonte: GitHub Trending AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalGitHub Trending AI ↗
Editor-chefe
Instalaçãonpx skills add alibaba/open-code-review
Dado-chave #2Precisão maior, mas completude menor do que a do Claude Code: menos falsos alarmes
Dado-chave #3Funciona com Claude Code, Codex, Cursor, Kimi Code e em CI

Revisão de código é quando um colega analisa suas alterações antes da fusão com a branch principal e deixa observações em linhas específicas. A Alibaba abriu uma ferramenta que faz isso com ajuda de uma rede neural: o Open Code Review, um programa de linha de comando que surgiu de um assistente de IA interno da empresa. Segundo os autores, dezenas de milhares de desenvolvedores da Alibaba o usaram durante dois anos, e a ferramenta encontrou milhões de defeitos no código.

Depois desse período de uso interno, ela virou projeto aberto e está em alta no GitHub Trending, com cerca de 206 estrelas em um dia. A principal diferença em relação aos revisores de IA habituais é que, aqui, a rede neural não controla sozinha todo o processo.

O problema dos agentes universais

Muitos tentaram entregar o diff (lista de alterações) a um agente como o Claude Code com uma skill de revisão. Em conjuntos grandes de alterações, ele passa a fazer um trabalho descuidado: examina parte dos arquivos e ignora silenciosamente o restante. Uma observação sobre a "linha 42" pode se referir à linha 57. E uma revisão que depende do texto do prompt é difícil de depurar, já que a qualidade muda bastante com pequenas alterações na redação.

O diagnóstico dos autores: se o processo inteiro é descrito em palavras, ele não tem garantias rígidas. Imagine um revisor a quem se disse "olhe tudo com atenção", mas não foi dada a lista de arquivos. Ele vai olhar o que lhe parecer importante.

O que o código faz e o que o modelo faz

No Open Code Review, o trabalho foi dividido. Tudo o que precisa ser confiável é feito por código comum e determinístico:

  • define quais arquivos devem ser verificados e quais devem ser filtrados, para que uma alteração importante não se perca;
  • agrupa arquivos relacionados em pacotes, e cada pacote é verificado por um subagente separado com contexto isolado. Assim a revisão se mantém estável em alterações enormes e roda em paralelo com facilidade;
  • escolhe as regras de revisão para cada arquivo específico, para que o modelo não se distraia com o que não importa;
  • módulos separados vinculam os comentários às linhas corretas e revalidam as próprias observações.

Ao agente sobra o que não se faz sem modelo: decidir que contexto buscar e analisar o código. Ele pode abrir o arquivo inteiro, pesquisar no repositório e consultar outros arquivos alterados. Os autores definiram o conjunto de ferramentas do agente a partir da análise de traços reais de chamadas em produção, e otimizaram os prompts para a revisão e para a economia de tokens. Também há um modo sem diff: o comando ocr scan verifica arquivos ou diretórios inteiros, por exemplo ao auditar um repositório desconhecido.

Qualidade, limitações e execução

Os autores afirmam que, com o mesmo modelo, a ferramenta tem precisão maior do que os agentes universais, gasta menos tokens e conclui a revisão mais rápido. A avaliação foi feita no benchmark próprio AACR-Bench, com tarefas reais de repositórios abertos populares, e a rotulagem foi revisada por mais de 80 engenheiros seniores. O benchmark está publicado no Hugging Face, então a comparação pode ser repetida no seu próprio código.

Há uma ressalva honesta: a completude, ou seja, a fração de defeitos reais encontrados, é menor na ferramenta do que nos agentes universais. Essa é uma escolha consciente em favor da precisão. Menos falsos positivos significam menos tempo gasto com ruído, mas parte dos problemas pode passar despercebida.

A instalação pode ser feita com npx skills add alibaba/open-code-review ou npm install -g @alibaba-group/open-code-review. Há dois modos. No modo nativo é preciso ter um endpoint próprio do modelo, e aí todo o pipeline funciona. No modo de delegação, a revisão é executada pelo seu agente (Claude Code, Codex, Cursor, Kimi Code) com o modelo que você já usa, e o OCR cuida da seleção de arquivos, das regras e da estrutura do relatório. Nesse caso não é necessária uma chave separada, mas a assinatura do agente não substitui a chave de API exigida pelo modo nativo. Há integrações com GitHub Actions, GitLab CI e Gerrit, além de OpenTelemetry para observabilidade.

Para equipes que estão construindo seus próprios agentes de revisão, a conclusão é de arquitetura: a seleção de arquivos, o agrupamento e a verificação da posição dos comentários devem ficar com código comum, deixando o modelo de linguagem apenas para a análise.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre O problema dos agentes universais?

Muitos tentaram entregar o diff (lista de alterações) a um agente como o Claude Code com uma skill de revisão. Em conjuntos grandes de alterações, ele passa a fazer um trabalho descuidado: examina parte dos arquivos e ignora silenciosamente o restante. Uma observação sobre a "linha 42" pode se referir à linha 57. E uma revisão que depende do texto do prompt é difícil de depurar, já que a qualidade muda bastante com pequenas alterações na redação.

O que o código faz e o que o modelo faz?

No Open Code Review, o trabalho foi dividido. Tudo o que precisa ser confiável é feito por código comum e determinístico: define quais arquivos devem ser verificados e quais devem ser filtrados, para que uma alteração importante não se perca; agrupa arquivos relacionados em pacotes, e cada pacote é verificado por um subagente separado com contexto isolado.

O que se sabe sobre Qualidade, limitações e execução?

Os autores afirmam que, com o mesmo modelo, a ferramenta tem precisão maior do que os agentes universais, gasta menos tokens e conclui a revisão mais rápido. A avaliação foi feita no benchmark próprio AACR-Bench, com tarefas reais de repositórios abertos populares, e a rotulagem foi revisada por mais de 80 engenheiros seniores. O benchmark está publicado no Hugging Face, então a comparação pode ser repetida no seu próprio código.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…