💬 NLP

Learning to Commit: Generating Organic Pull Requests via Online Repository Memory

O artigo apresenta o framework "Learning to Commit", que utiliza uma Memória de Repositório Online para treinar agentes de LLM a aprender padrões de contribuição específicos de um projeto através da análise de commits históricos, permitindo a geração de pull requests futuros que são organicamente alinhados às convenções e à evolução do repositório, superando as limitações de abordagens baseadas apenas no estado atual do código.

Autores originais: Mo Li, L. H. Xu, Qitai Tan, Ting Cao, Yunxin Liu

Publicado 2026-03-30

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Mo Li, L. H. Xu, Qitai Tan, Ting Cao, Yunxin Liu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você contrata um programador genial, mas que nunca trabalhou na sua empresa antes. Ele é muito inteligente, sabe escrever código perfeitamente e resolve problemas complexos. No entanto, quando ele entrega o trabalho, o gerente rejeita. Por quê?

Porque o código dele parece "estrangeiro". Ele reescreve ferramentas que a empresa já tem, ignora as regras não escritas de como as coisas são feitas lá e cria um código que, embora funcione, não se encaixa na "cultura" do projeto. É como se ele tivesse construído uma porta de vidro em uma casa de madeira: tecnicamente é uma porta, mas destrói a harmonia da casa.

Este artigo, chamado "Learning to Commit" (Aprendendo a Comprometer), apresenta uma solução para esse problema. Eles criaram um sistema que ensina a Inteligência Artificial (IA) a não apenas escrever código, mas a aprender a se comportar como um funcionário veterano.

Aqui está a explicação usando analogias do dia a dia:

1. O Problema: O "Novato" vs. O "Veterano"

Hoje, as IAs de programação são treinadas em livros didáticos gigantes (seus dados de treinamento). Elas sabem a teoria, mas não conhecem a "vida real" do seu projeto específico.

A IA atual: É como um cozinheiro que sabe fazer um bolo perfeito seguindo uma receita genérica. Mas se você pede um bolo para uma festa infantil, ele faz um bolo de chocolate escuro e amargo porque é o que a receita diz, ignorando que na sua família todos gostam de bolo de morango e que você já tem um mix de morango na geladeira.
O resultado: O código funciona, mas é rejeitado porque é "alienígena" (estranho) para o time.

2. A Solução: O "Diário de Bordo" da Empresa

Os autores criaram um framework chamado "Learning to Commit". A ideia central é dar à IA um "período de adaptação" antes de ela começar a trabalhar de verdade.

Eles usam uma técnica chamada Memória do Repositório Online. Pense nisso como um diário de bordo ou um caderno de anotações que a IA preenche sozinha.

Como funciona o treinamento (A Analogia da Simulação):

O Cenário: Eles pegam a história antiga do projeto (commits passados) e separam o futuro (commits que ainda não aconteceram).
A Tentativa Cega: A IA tenta resolver um problema antigo do passado, mas sem saber a resposta certa. Ela tenta fazer o código como faria normalmente.
O Espelho (Reflexão Contrastiva): Logo depois, a IA vê a resposta real que um humano experiente deu (o "diff" do commit).
A Lição: A IA compara o que ela fez com o que o humano fez.
- Exemplo: "Ah, eu escrevi uma função nova para calcular impostos, mas o humano apenas chamou a função calcular_imposto_padrao que já existia no projeto. Eu perdi tempo e fiz o código maior do que o necessário."
O Caderno de Habilidades: A IA anota essa lição em um "caderno de habilidades" (o Skill Document). Ela aprende: "Neste projeto, não recriamos ferramentas; usamos as que já existem."

3. O Resultado: O Código "Orgânico"

Quando chega uma nova tarefa (um Pull Request real), a IA consulta esse caderno de habilidades antes de começar.

Em vez de reinventar a roda, ela pergunta: "Como a gente faz isso aqui?"
Ela usa as convenções de nome, as ferramentas internas e o estilo de erro que o time prefere.

O resultado é um código que parece orgânico. É como se a IA tivesse lido todos os e-mails antigos, entendido a personalidade do time e escrito o código como se ela estivesse lá há 5 anos.

4. Por que isso é importante?

O artigo mostra que, ao fazer isso, a IA:

Encontra o lugar certo: Sabe exatamente qual arquivo editar (não mexe no errado).
É mais eficiente: Usa menos passos para resolver o problema.
Não infla o código: Não cria funções desnecessárias, mantendo o projeto limpo.

Resumo em uma frase

O papel diz: "Para uma IA escrever código que os humanos realmente aceitem, não basta ser inteligente; ela precisa ter a experiência de ter 'vivido' a história do projeto, aprendendo com seus erros passados para não repeti-los no futuro."

É a diferença entre um turista que tira uma foto bonita, mas não sabe a história do lugar, e um guia turístico que conhece cada pedra e cada segredo da cidade.

Título: Learning to Commit: Gerando Pull Requests Orgânicos via Memória de Repositório Online

1. O Problema: A Falta de "Organicidade" em Agentes de Código

Embora os agentes de codificação baseados em Grandes Modelos de Linguagem (LLMs) alcancem resultados impressionantes em benchmarks controlados (como SWE-bench), eles frequentemente falham em ambientes de engenharia de software reais.

A Raiz do Problema: O código gerado é frequentemente funcionalmente correto, mas carece de "organicidade". Isso significa que o agente ignora convenções específicas do projeto, duplica funcionalidades já existentes em APIs internas e viola restrições arquiteturais implícitas acumuladas ao longo dos anos.
A Limitação Atual: Expor o agente apenas ao estado atual do repositório (um "snapshot") é insuficiente, pois isso revela o resultado final, mas não os padrões de mudança e a evolução que levaram a esse estado.
Consequência: Os mantenedores rejeitam esses Pull Requests (PRs) porque o código parece "alienígena" — sintaticamente válido, mas estilisticamente estranho, arquiteturalmente dissonante e cheio de reimplementações redundantes.

2. Metodologia: O Framework "Learning to Commit"

Os autores propõem um novo framework centrado na Memória de Repositório Online, que simula o processo de "onboarding" (integração) de um desenvolvedor humano em um projeto maduro.

A. Divisão Temporal Rigorosa

O repositório é dividido estritamente por cronologia:

Histórico ( $C^-$ ): Commits anteriores a uma data de corte, usados para aprendizado.
Futuro ( $C^+$ ): Commits posteriores à data de corte, usados exclusivamente para avaliação (garantindo vazamento de dados zero).

B. Duas Fases Principais

Fase de Onboarding do Repositório (Aprendizado):
- O agente enfrenta commits históricos de forma cega (sem ver a solução).
- Ele tenta resolver o problema e gera um patch candidato ( $\hat{\Delta}_t$ ).
- Reflexão Contrastiva Supervisionada: O agente recebe o diff real (oracle) do mantenedor ( $\Delta_t$ ) e compara suas tentativas com a solução expert.
- Extração de Habilidades: As lacunas entre a tentativa do agente e a solução expert são analisadas para extrair padrões reutilizáveis (estilo de codificação, uso de APIs internas, limites de módulos, preferências de mantenedores). Essas informações são consolidadas em um documento de habilidades ( $M$ ) que cresce continuamente.
Fase de Resolução Condicionada a Habilidades (Solução):
- Quando uma nova tarefa (PR futuro) chega, o agente utiliza o documento de habilidades acumulado ( $M$ ) para guiar sua geração de código.
- O agente decide quais habilidades consultar e quais arquivos explorar, produzindo mudanças alinhadas com a evolução natural do projeto.

C. Métricas de Avaliação Multidimensional

Para além da correção funcional, o framework avalia a "organicidade" através de:

Métricas Determinísticas:
- File IoU: Precisão na localização dos arquivos modificados.
- Trajectory Steps: Eficiência (número de chamadas de ferramentas).
- Line Deviation Ratio: "Inchaço" do patch (diferença de tamanho em relação ao oracle).
Avaliação por LLM (Juiz): Comparação par a par em quatro dimensões: alinhamento de escopo, similaridade lógica, redução de redundância e consistência de estilo.

3. Contribuições Chave

Formalização da Adaptação Online Personalizada: Estabelecimento de um mecanismo de aprendizado online onde o agente se alinha organicamente a bases de código em evolução, juntamente com um paradigma de avaliação rigoroso.
Método de Extração de Habilidades sem Treinamento (Training-free): Uso de reflexão contrastiva supervisionada para destilar convenções específicas do repositório, comparando tentativas cegas com diffs de especialistas.
Benchmark de Divisão Temporal Estrita: Criação e liberação de um benchmark em repositórios internos com métricas multidimensionais, demonstrando que o framework supera paradigmas existentes em termos de organicidade.

4. Resultados Experimentais

O framework foi testado em um repositório interno de grande escala mantido por especialistas (focado em aprendizado por reforço).

Precisão de Localização (File IoU): O agente com habilidades alcançou consistentemente maior precisão. No cenário seq-all (aprendizado sequencial com corpus completo), houve um ganho de +19 pontos percentuais (80% vs 61%) em relação à linha de base.
Eficiência: O agente com habilidades reduziu o número de chamadas de ferramentas em 21% (56.8 vs 71.9 passos), indicando uma navegação mais eficiente no código.
Redução de Redundância: O agente com habilidades produziu patches com menor "inchaço" (line deviation) e menos reimplementações desnecessárias.
Avaliação por Juiz (LLM): O agente condicionado a habilidades venceu a linha de base em 3 de 4 configurações. A maior vantagem foi observada na similaridade lógica (50% vs 25%) e na redução de redundância (54% vs 41%).
Análise de Caso: Em um bug de concorrência, o agente com habilidades localizou o arquivo correto (IoU 100%), enquanto a linha de base editou o módulo errado (IoU 0%).

5. Significado e Conclusão

O trabalho "Learning to Commit" representa uma mudança de paradigma na avaliação de agentes de codificação:

Do "Snapshot" para a "Evolução": Demonstra que a capacidade de um agente não depende apenas do contexto imediato, mas da gestão de memória e aprendizado contínuo através do tempo.
Qualidade Industrial: O framework aborda a principal barreira para a adoção industrial de IA em engenharia de software: a capacidade de gerar código que se integra perfeitamente à cultura e arquitetura existentes do projeto, não apenas código que passa em testes unitários.
Futuro: Embora validado em um repositório interno, o pipeline é projetado para ser escalado para repositórios públicos do GitHub, estabelecendo a adaptação personalizada ao repositório como um objetivo de avaliação de primeira classe.

Em resumo, o artigo prova que, ao permitir que os agentes "aprendam a fazer commit" analisando o histórico de evolução do projeto, é possível gerar contribuições de software que são não apenas corretas, mas genuinamente orgânicas e prontas para serem aceitas por mantenedores humanos.