Datadog: как ИИ-проверка кода снижает риск сбоев

Изображение сгенерировал ChatGPT

У технических лидеров, которые управляют распределенными системами, возникает задача — выпускать обновления быстрее или сохранять стабильность платформы. От этого баланса напрямую зависит успех продукта. В Datadog это понимают особенно хорошо: компания отвечает за наблюдаемость сложных инфраструктур по всему миру.

Если у клиента что-то ломается, именно Datadog помогает найти причину сбоя. Поэтому надежность должна быть заложена еще до того, как код попадет в продакшн.

Но масштабировать такую надежность сложно. Раньше главной точкой контроля была проверка кода — этап, где опытные инженеры пытались поймать ошибки. С ростом команд это стало проблемой: ни один человек не может держать в голове весь код и все зависимости между сервисами.

Чтобы решить это, команда AI Development Experience в Datadog внедрила OpenAI Codex — AI-инструмент, который помогает находить риски, часто ускользающие от человеческого взгляда.

Почему обычные инструменты проверки кода не справляются?

Автоматические инструменты для проверки кода используются давно, но их польза всегда была ограниченной. Ранние ИИ-решения работали как продвинутые линтеры. Они находили синтаксические ошибки и мелкие недочеты, но не понимали, как устроена система в целом. Из-за этого инженеры часто игнорировали их замечания и воспринимали как шум.

Проблема была не в поиске ошибок по отдельности, а в понимании последствий изменений. Datadog нужен был инструмент, который умеет рассуждать о коде, его связях и зависимостях, а не просто проверять стиль.

Новый AI-агент встроили прямо в рабочий процесс одного из самых активных репозиториев:

• Он автоматически проверяет каждый pull request;
• сравнивает намерение разработчика с реальными изменениями в коде;
• запускает тесты, чтобы проверить поведение системы.

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК нейросети DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ нейросети DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Проверка не в теории, а на реальных сбоях

Для CTO и CIO главная сложность с генеративным ИИ — доказать, что он дает реальную пользу, а не просто выглядит эффективно. В Datadog подошли к этому прагматично. Команда создала специальный инструмент, который воспроизводит прошлые инциденты. Они взяли pull request’ы, которые в свое время уже прошли проверку, но позже привели к сбоям, и прогнали их через ИИ.

Результат оказался наглядным: ИИ выявил больше 10 случаев (около 22% всех проверенных инцидентов), где его комментарии могли бы предотвратить проблему. Такие риски в свое время не заметили люди.

Это стало переломным моментом для внутреннего обсуждения ценности инструмента. Руководитель команды AI DevX Брэд Картер отметил, что рост скорости — это приятно, но на их масштабе куда важнее предотвращать инциденты.

Как ИИ меняет культуру проверки кода?

Сегодня этим инструментом пользуются более 1 000 инженеров Datadog. И он не заменяет людей, а помогает им — берет на себя сложную умственную нагрузку, связанную с взаимодействием сервисов.

Инженеры отмечают, что ИИ регулярно указывает на проблемы, которые не видны при беглом просмотре изменений. Он находит пропущенные тесты, сложные связи между сервисами и влияние кода на модули, которые разработчик даже не трогал напрямую.

Это изменило отношение к автоматическим комментариям.

«Для меня комментарий от Codex — как совет от самого умного инженера, у которого бесконечно много времени на поиск багов. Он видит связи, которые мой мозг просто не может удержать одновременно», — говорит Картер.

Благодаря этому люди могут сосредоточиться не на ловле багов, а на архитектуре и качестве решений.

От поиска ошибок — к надежности

Опыт Datadog показывает, что проверка кода перестает быть просто формальным этапом или способом ускорить релизы. Она становится частью системы надежности.

ИИ помогает находить риски, которые выходят за рамки одного человека, и дает уверенность, что качество масштабируется вместе с командой. Для Datadog это напрямую связано с доверием клиентов: «Мы — платформа, к которой обращаются, когда ломается все остальное. Предотвращение инцидентов усиливает доверие наших клиентов», — говорит Картер.

Этот кейс показывает, что главная ценность ИИ в крупных компаниях может быть не в экономии времени, а в способности поддерживать высокий уровень качества и защищать бизнес от серьезных потерь.