<\> Casa do Dev
Notícias abrir
Ferramentas abrir
Vagas abrir
Aprender abrir
Comunidade abrir
Guia de Compras abrir

Como o linkedin usa ia multi-agente para revisar 1.727 prs com 63,9% de aceite

DA

4 min

Entusiasta das Tecnologias

Como o linkedin usa ia multi-agente para revisar 1.727 prs com 63,9% de aceite

Descubra como a arquitetura multi-agente de IA do LinkedIn alcançou 63,9% de aceite em code reviews tratando o processo como infraestrutura de produção.

Neste artigo

Plugar um bot genérico no GitHub para fazer ai code review linkedin multi agent é pedir para poluir pull requests com ruído e sugestões irrelevantes. O LinkedIn percebeu essa limitação na prática: um único modelo de linguagem não conhece as convenções internas da empresa, gera alucinações no diff e envia comentários genéricos.

Para resolver isso, a equipe de engenharia construiu uma plataforma multi-agente tratada como infraestrutura de produção, conforme reportado pelo InfoQ.

Por que colocar um bot genérico no GitHub não resolve o code review em escala?

Ferramentas prontas de mercado pecam em três pontos centrais: pontos cegos por usarem apenas um modelo, falta de customização para regras internas do repositório e ausência de controle operacional. Se a ferramenta não entende o contexto e a cultura de código do time, ela vira um gerador automático de spam.

Dica:Em times de grande porte, o custo de atenção do desenvolvedor lendo um comentário inútil de IA é mais alto do que o tempo economizado no review.

Como funciona a arquitetura multi-agente construída no Kubernetes?

O LinkedIn montou um pipeline orientado a eventos sobre Kubernetes com filas duráveis e workers escalados horizontalmente. Em vez de confiar em um único prompt, a plataforma executa múltiplos agentes independentes com modelos e abordagens de raciocínio distintos.

Quando dois ou mais agentes identificam o mesmo problema no diff, a convergência é tratada como sinal forte. Achados únicos são verificados isoladamente. Antes de postar qualquer comentário no PR, o sistema aplica um filtro rigoroso para eliminar sugestões cosméticas, irrelevantes ou incompatíveis com o repositório.

Agente de IA em code review só gera valor real se tiver filtro severo de sinal-ruído antes de chegar na tela do desenvolvedor.

O que os dados de 5.230 comentários revelam sobre a aceitação dos devs?

Para medir o impacto real, o LinkedIn criou um pipeline automatizado que comparou 5.230 comentários de review em 1.727 PRs com o código final mesclado na branch principal. Cerca de 90.1% das sugestões puderam ser avaliadas com alta confiança.

A taxa global de aceite ficou em 63,9%, com variações relevantes por categoria:

  • Bugs de concorrência: 100% de aceite.

  • Erros de lógica: 80% de aceite.

  • Correções de bugs: 58,1% de aceite.

  • Refatoração: 43,5% de aceite.

  • Ajustes de segurança: 40,6% de aceite.

Vale a pena tratar code review com IA como infraestrutura de produção?

Resposta rápida: Sim, para grandes engenhos de software. Tratar IA como pipeline orientado a eventos com observabilidade, métricas de aceite e orquestração dedicada é a única forma de evitar rejeição do time e custos descontrolados.

Eu pessoalmente recomendo que engenheiros líderes não percam tempo liberando bots comerciais genéricos direto no repositório principal sem antes construir uma camada de filtragem e validação contextual, a exemplo do que empresas como Cloudflare e Databricks também vêm desenvolvendo.

Perguntas frequentes

Qual foi a taxa de aceite das sugestões de IA no LinkedIn?

A taxa média de aceite das sugestões no código mesclado foi de 63,9%. Destacam-se os bugs de concorrência com 100% de aceitação e erros de lógica com 80%.

Por que o LinkedIn usa uma abordagem multi-agente?

Múltiplos agentes com modelos diferentes permitem validação cruzada. Isso reduz alucinações e garante que apenas sugestões com alto sinal cheguem aos desenvolvedores.

Como o LinkedIn estrutura essa infraestrutura?

A plataforma roda em Kubernetes com pipeline orientado a eventos, filas duráveis e workers horizontais, permitindo monitorar latência, falhas de provedores e taxas de conclusão.

Fonte: Infoq.com

O que você achou deste artigo?

Responda a Pergunta do Dia Teste seu conhecimento e mantenha sua streak. Crie seu Dev Card público Perfil dev compartilhável em um único link.

Depois dessa formação...

Veja vagas em tecnologia →

Vagas relacionadas

Ver todas as vagas →
DA

Escrito por

Dagmar Cirino

Entusiasta das Tecnologias

Atualizado em 06/10/2026 •

Sou o Cirino, e desenvolvo soluções e produtos utilizando linguagens de programação e ferramentas de analytics e monitoração baseadas em Cloud. Trabalho com tecnologia desde 2010,...

Ver perfil do autor

COMPARTILHAR