Sentry aide depuis longtemps les développeurs à surveiller et déboguer leur code de production. Désormais, l’entreprise ajoute quelques connaissances en matière d’IA à ce processus en lançant AI Autofix, une nouvelle fonctionnalité qui utilise toutes les données contextuelles dont dispose Sentry sur l’environnement de production d’une entreprise pour suggérer des correctifs chaque fois qu’une erreur se produit. Bien qu’il s’appelle Autofix, il ne s’agit pas d’un système entièrement automatisé, ce avec quoi très peu de développeurs seraient à l’aise. Au lieu de cela, il s’agit d’un outil humain dans la boucle qui ressemble à « un développeur junior prêt à aider à la demande », comme l’explique l’entreprise.
« Plutôt que de réfléchir aux performances de votre application – ou à vos erreurs – du point de vue de l’infrastructure système, nous essayons vraiment de nous concentrer sur son évaluation et de vous aider à résoudre les problèmes du point de vue du code », a expliqué Tillman Elser, responsable de l’ingénierie de Sentry. lorsque je lui ai demandé comment cette nouvelle fonctionnalité s’intégrait à la gamme globale de produits de l’entreprise.
Elser a fait valoir que de nombreux autres outils de codage basés sur l’IA sont parfaits pour la saisie automatique du code dans l’EDI, mais comme ils ne connaissent pas l’environnement de production d’une entreprise, ils ne peuvent pas rechercher les problèmes de manière proactive. La principale proposition de valeur d’Autofix, a-t-il expliqué, est qu’il peut aider les développeurs à accélérer le processus de tri et de résolution des erreurs en production, car il connaît le contexte dans lequel le code s’exécute. « Nous essayons de résoudre les problèmes en production aussi rapidement que possible. possible. Nous n’essayons pas de faire de vous un développeur plus rapide lorsque vous créez votre application », a-t-il déclaré.
Crédits images : Sentinelle
Grâce à une architecture basée sur un agent, Autofix gardera un œil sur les erreurs, puis utilisera son agent de découverte pour voir si une modification du code pourrait corriger cette erreur – et sinon, il en fournira une raison. Ce qui est important ici, c’est que les développeurs restent informés à tout moment. Une fonctionnalité intéressante ici, par exemple, est qu’ils peuvent ajouter un contexte supplémentaire pour les agents IA s’ils ont déjà une idée de l’origine du problème. Ou ils peuvent choisir d’appuyer sur le bouton « donne-moi un correctif » et voir ce que l’IA propose.
L’IA suivra ensuite quelques étapes pour évaluer le problème et créer un plan d’action pour le résoudre. Au cours du processus, Autofix fournira aux développeurs un diff expliquant les modifications, puis, si tout semble bon, créera une pull request pour fusionner ces modifications.
Crédits images : Sentinelle
Autofix prend en charge tous les principaux langages, bien qu’Elser ait reconnu que l’équipe avait effectué la plupart de ses tests avec du code JavaScript et Python. Évidemment, les choses ne se passeront pas toujours correctement. Il y a une raison pour laquelle Sentry le compare à un développeur junior, après tout. Cependant, le cas d’échec le plus simple, m’a dit Elser, est lorsque l’IA n’a tout simplement pas assez de contexte – peut-être parce que l’équipe n’a pas mis en place suffisamment d’instruments pour collecter les données nécessaires avec lesquelles Autofix peut fonctionner, par exemple.
Une chose à noter ici est que même si Sentry envisage de créer ses propres modèles, elle travaille actuellement avec des modèles tiers tels qu’OpenAI et Anthropic. Cela signifie également que les utilisateurs doivent choisir d’envoyer leurs données à ces services tiers pour utiliser Autofix. Elser a déclaré que la société envisage de revenir sur cette question à l’avenir et peut-être de proposer un LLM interne affiné sur ses données.
Crédits images : Sentinelle