Как мы автоматизировали процесс Code review в Авито при помощи LLM

LLM

Code Review

Большие проекты/команды

Machine Learning

Бизнес-процессы

Удаленная работа

Трансформационные изменения

Обработка данных

Программный комитет ещё не принял решения по этому докладу

Целевая аудитория

Разработчики, тимлиды и инженеры ML/MLOps, которые сталкиваются с узким горлышком на этапе Code Review и хотят внедрить LLM-автоматизацию в свой CI/CD-процесс.

Тезисы

Code Review — обязательный этап разработки, который при масштабе тысяч PR в неделю становится бутылочным горлышком: увеличивает Time to Market, создает когнитивную нагрузку на ревьюеров и приводит к пропуску багов из-за «замыленного глаза». Мы расскажем, как в Авито построили систему автоматического ревью на базе open-source LLM (Qwen-Coder-30B), которая достигает 85% precision и приводит к реальным правкам кода в 32% случаев.
В докладе разберём архитектуру решения: Go-оркестратор, Python ML-сервис и трёхступенчатый пайплайн — генерация замечаний (RuleChecker), фильтрация галлюцинаций (ReviewFilter) и дедупликация через эмбеддинги (CommentAggregator). Покажем, почему подход «Pipeline > Single Prompt» критичен для продакшен-качества и как self-hosted модель решает вопросы стоимости и безопасности при высоких нагрузках.

Марк Каширский

Авито тех

Работаю в Авито тех в комнаде LLM
Закончил ШАД, ВШЭ, ИТМО
Пишу статьи