Como o LinkedIn faz code review com múltiplos agentes de IA em escala

- Leitura
- 5 min
- Fontes
- 1
A empresa colocou vários revisores de IA para cruzar validações e filtrar ruído: 63,9% das sugestões foram aceitas pelos devs. Veja o modelo e o que dá para adaptar.
Colar um revisor de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → genérico na frente do GitHub não escala. Foi essa a conclusão dos engenheiros do LinkedIn, que, segundo reportagem da InfoQ, construíram uma plataforma de code review baseada em múltiplos agentes de IA independentes, tratando a revisão de código como infraestrutura de produção, não como um plugin.
O objetivo declarado é gerar revisões que os desenvolvedores achem que vale a pena aplicar: maximizar a relação sinal-ruído e levar em conta os "padrões, convenções e conhecimento tribal que modelos de IA genéricos consistentemente ignoram". Como resume a fonte, gerar comentários de review em escala é trivial. O difícil é tudo o que vem depois.
Por que um revisor de IA genérico não basta
O LinkedIn identificou três limitações estruturais em depender de um revisor pronto de prateleira:
- Pontos cegos de modelo único: um só modelo tende a perder sempre a mesma classe de bugs e a sinalizar sempre os mesmos problemas de baixo valor.
- Customização insuficiente: fica difícil codificar ao mesmo tempo políticas de toda a organização, convenções específicas de cada repositório e orientações direcionadas a cenários de alto risco.
- Falta de controle operacional: sem monitoramento e avaliação, não dá para tratar o revisor como parte da infraestrutura de engenharia.
O ponto central é que os comentários precisam ser factualmente ancorados no diff (e não alucinados), específicos das convenções daquele código (e não boas práticas genéricas) e chegar antes do revisor humano, não depois.
O modelo de múltiplos agentes
A plataforma ataca cada limitação com uma decisão de arquitetura:
- Vários revisores de IA independentes, usando modelos distintos e abordagens de raciocínio diferentes.
- Customização profunda e componível, cobrindo políticas da organização, convenções por repositório e regras específicas de contexto.
- Arquitetura sobre Kubernetes↳Kubernetes18 conteúdosGerenciamento de infraestrutura multicloud com Kubernetes proporciona otimização e economiaDevSecOps · set 2021Azure Kubernetes Services – AKS: referências gratuitas e dicas para solução de problemas comunsDevSecOps · abr 2019Kubernetes em produção: o que ninguém te conta e você aprende tarde demaisDev (Back & Front) · abr 2026Ver tudo em DevSecOps →, com pipeline orientado a eventos, filas duráveis e workers escalados horizontalmente, permitindo monitorar latência, taxas de aceitação e conclusão, além de falhas de provedores.
O uso de vários agentes habilita validação cruzada. Quando múltiplos agentes identificam o mesmo problema de forma independente, o LinkedIn trata essa convergência como evidência forte. Achados únicos não são descartados automaticamente: são verificados separadamente. E sugestões cosméticas, já corrigidas, irrelevantes ou inconsistentes com o repositório são filtradas antes de virarem comentário no PR.
Os números: 63,9% de aceitação
Para medir com que frequência os devs realmente aplicam as sugestões, o LinkedIn montou um pipeline automatizado que compara cada comentário com o código efetivamente mesclado. A avaliação cobriu 5.230 comentários amostrados em 1.727 PRs, dos quais 90,1% puderam ser avaliados com alta confiança a partir do código final.
O resultado agregado foi 63,9% de sugestões aceitas, com variação grande por categoria:
- 100% dos bugs de concorrência
- 80% dos erros de lógica
- 58,1% das correções de bug
- 43,5% das mudanças de refatoração
- 40,6% das correções relacionadas a segurança
A leitura prática desses números é reveladora: a IA acerta muito mais quando aponta problemas objetivos e difíceis de enxergar a olho nu (concorrência, lógica) do que quando opina sobre estilo ou refatoração, onde entra gosto e contexto humano.
LinkedIn não está sozinho
Outras empresas atacaram o mesmo problema por caminhos diferentes. A Cloudflare construiu um sistema de orquestração em torno do agente open source↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) → OpenCode, equilibrando de outra forma seus requisitos e restrições. Já a Databricks lançou componentes como o Unity AI Gateway (gestão centralizada de IA) e o Omnigent (tooling para devs), endereçando o que descreve como o "crescimento exponencial dos custos de coding com IA".
A convergência aqui é o recado: as grandes casas de engenharia pararam de tratar revisor de IA como feature e passaram a tratá-lo como sistema, com pipeline, observabilidade e métricas de aceitação.
O que muda para o dev brasileiro
Poucas empresas no Brasil operam na escala de PRs do LinkedIn, mas o modelo é adaptável para startups e times de tech que já usam agentes de código no dia a dia. Alguns princípios que dá para levar sem montar um cluster Kubernetes dedicado:
- Cruzar mais de um modelo em vez de confiar num único revisor. Rodar duas ferramentas ou dois modelos e priorizar o que os dois concordam já reduz falso positivo, sem grande esforço de infra.
- Codificar as convenções do seu repositório (arquivos de regras, guias de estilo, contexto do projeto) em vez de aceitar boas práticas genéricas que ignoram o "conhecimento tribal" do time.
- Filtrar antes de postar: comentário cosmético ou já resolvido só gera ruído e faz o time começar a ignorar a IA. Menos comentários de mais valor vencem o volume.
- Medir aceitação. O pipeline que compara sugestão com código mesclado é o que separa "a IA fala muito" de "a IA ajuda". Sem métrica de aceitação, não dá para saber se o revisor está ajudando ou atrapalhando.
O desalinhamento entre categorias também é um guia de onde apostar: se seu time vai priorizar a IA em algum lugar, os dados do LinkedIn sugerem começar por detecção de bugs de lógica e concorrência, deixando refatoração e estilo como território ainda majoritariamente humano.
O que fica em aberto
A reportagem da InfoQ resume o desenho da plataforma, mas os detalhes técnicos completos, quais modelos, como as regras são compostas e como o pipeline de avaliação foi implementado, estão no artigo de engenharia original do LinkedIn, para quem quiser reproduzir a abordagem. Também fica em aberto se taxas de aceitação medidas contra o código mesclado capturam qualidade real: um dev pode aceitar uma sugestão ruim ou rejeitar uma boa. A métrica é um proxy útil, não uma verdade absoluta.
Fonte: InfoQ
Este artigo foi escrito por Redação iMasters. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
PHP corrige sete falhas críticas que permitiam execução remota de código
A PHP Foundation liberou patches para oito vulnerabilidades, sete delas classificadas como críticas, incluindo uma que transforma uma escrita de sessão interrompida em execução remota de código.
PHP 8.6 chega com Partial Function Application, Duration e API de Polling para I/O
QI Tech leva modelo de crédito embarcado para o setor de seguros
De 2011 a 2025: como o Booking.com desligou o Hadoop e repensou sua arquitetura de dados
Falha no Ruby expõe apps Rails padrão a corrupção de memória; RCE não foi demonstrada
Nginx corrige duas falhas críticas de execução remota de código no HTTP/2
Tencent libera pesos do Hy4 Flash para rodar modelos localmente
Este conteúdo no Instagram
@portalimastersQuatro avaliadores nativos entram em cena a cada pull request: GoalSuccessRate, Correctness, ToolSelectionAccuracy e ToolParameterAccuracy.
@portalimastersQuem escreve o código também aprova o código? Nesse fluxo, quem implementa recebe os testes prontos de outro modelo, com critérios de aceita












