Cognition, Devin Code Scans ile mühendislik hedeflerini kod tabanı genelinde PR'lara dönüştürüyor

Code Scans ne yapıyor

Cognition, AI mühendisi Devin'in yeni bir yeteneği olan Code Scans'ı piyasaya sürdü. Bu özellik, geniş kapsamlı mühendislik hedeflerini — SEO'yu iyileştirmek, bakım yükünü azaltmak, bir uygulamanın derlenmesini hızlandırmak — önceliklendirilmiş bulgulara ve nihayetinde kod tabanı genelinde pull request'lara dönüştürüyor. 16 Eylül 2026 tarihli ve Hacker News ana sayfasında öne çıkan şirket duyurusuna göre, özellik yalnızca inceleme aşamasının bile başlı başına büyük bir proje olduğu için backlog'da bekleyen işleri hedefliyor.

Kullanıcılar Devin web uygulamasında /scan yazarak ve belirli dosyaları işaret etmek yerine bir sonuç tanımlayarak başlıyor — örneğin, Devin'den üretilmiş dosyaları ve test fixture'larını hariç tutarak kullanılmayan kodu bulmasını ve kaldırılmasını önermeden önce dolaylı referansları kontrol etmesini istemek. Ekipler ayrıca kendi kriterlerini de sağlayabiliyor: kodlama standartları, erişilebilirlik kontrol listesi veya yaklaşan bir migration için gereksinimler gibi. Devin de neyin inceleneceğini, neyin atlanacağını ve neyin bulgu sayılacağını belirlemede yardımcı oluyor. Kapsam onaylandıktan sonra Devin incelemeyi yürütüyor, öncelik sırasına göre dizilmiş bir bulgu listesi döndürüyor ve kullanıcı kanıtları inceledikten ve sonuçları tartıştıktan sonra seçtiği sorunlar için PR'lar açabiliyor.

Kaputun altında: Agentic MapReduce

Code Scans, Cognition'ın originally Devin Security Swarm için geliştirdiği Agentic MapReduce mimarisi üzerine inşa edilmiş olup büyük incelemeleri dört aşamada işliyor:

• Plan: Devin depoyu inceler ve belirtilen hedefle ilgili kodu tanımlayan kurallar yazar.
• Shard: kurallar kod tabanı genelinde yürütülür ve eşleşen kod odaklanmış gruplara ayrılır.
• Map: birden fazla Devin agent'ı grupları paralel olarak işler, gerektiğinde çevresindeki kodu okuyarak bulduklarını raporlar.
• Reduce: son bir agent sonuçları birleştirir, yinelenenleri ayıklar ve kalan sorunları tek bir raporda sıralandırır.

Belirtilen fayda, her agent'ın bağlamının dar kalması ve akıl yürütme bütçesinin tekrarlayan aramalar yerine ilgili koda yönlendirilmesidir.

Cognition'ın paylaştığı rakamlar

Özelliği göstermek için Cognition, Dioxus deposunda bir derleme süresi taraması yürüttü. Devin, bağımlılıkları ve derleme yapılandırmasını sadeleştirmeyi önerdi; bunlara arasında ağır CLI özelliklerinin varsayılan olarak derlenmek yerine isteğe bağlı hale getirilmesi de vardı. Değişiklikler yerel olarak uygulandıktan sonra, temiz debug derleme süresinin 58,6 saniyeden 21,0 saniyeye düştüğü bildirildi — bu, test edilen 22 workspace crate'i genelinde %64'lük bir azalma. Tarama; varsayılan olarak etkin bir feature'ın web-sys, js-sys ve wasm-bindgen'i web dışı her renderer'a çekmesi, cargo-generate'ın yalnızca scaffolding yoluna hizmet etmesine rağmen dioxus-cli'da koşulsuz olarak derlenmesi ve dioxus-ssr'nin yalnızca fs ve io-util modüllerini kullanmasına rağmen tokio'nun tam feature setine bağımlı olması gibi sorunları ortaya çıkardı.

devin.ai ve cognition.com genelinde yapılan ikinci bir SEO taraması, sonraki günlerde düzeltilen 44 bulgu ortaya çıkardı. Cognition, öncesi ve sonrasındaki Ahrefs taramalarını karşılaştırarak devin.ai'daki sağlık puanının 87'den 92'ye yükseldiğini, yavaş sayfaların %73 azaldığını ve cognition.com'da eksik görsel alt metninin tamamen giderildiğini söylüyor. Örnek bulgular arasında; vaka çalışması sayfalarının, spesifikasyonun mutlak olmasını gerektirdiği halde göreli Open Graph görsel URL'leri üretmesi, 157 canlı backlink'e sahip bir URL'deki iki adımlı yönlendirme zinciri, ana sayfadaki og:url'in canonical olmayan bir /index adresine çözümlenmesi ve süresi dolmuş bir webinar sayfasının meta verileri hâlâ kayıt duyurusu yaparken indekslenebilir bırakılması yer alıyor.

Duyuruda alıntılanan bir müşteri, birkaç depo genelinde tahmini %96 PR merge oranı ve kısa test döneminde yazılım kalitesi, hata düzeltmeleri, kararlılık, performans ve güvenlik ile gizlilik dahil uyumluluk alanlarını kapsayan 700'den fazla mühendislik saatinin tasarruf edildiğini bildirdi.

Neden önemli

Çoğu AI kodlama asistanı dar kapsamlı değişiklikleri iyi yönetiyor; Code Scans ise darboğazın herhangi bir satır kod yazılmadan önce tüm kod tabanını incelemek olduğu, sonuç odaklı işlere yönelik. Mimari olarak MapReduce yaklaşımı — paralel çalışan birçok dar bağlamlı agent ve ardından bir sentez adımı — büyük depolardaki bağlam sınırlarına somut bir yanıt ve Cognition'ın güvenlik çalışmaları için geliştirdiği altyapıyı genel amaçlı bir üründe yeniden kullanması dikkat çekici. Yukarıdaki tüm rakamlar Cognition'ın kendi duyurusundan, kendi depolarından ve alıntılanan bir müşteriden geliyor; bu nedenle bağımsız doğrulama henüz yapılmış değil. Ancak %96'ya yakın merge oranları daha geniş ölçekte geçerli olursa, agent'ların inceleme ve taslak hazırlarken insanların incelediği model, sürekli ertelenen iyileştirme projelerini hayal değil rutin hale getirebilir.