Roblox terus memperluas bagaimana kecerdasan buatan (AI) cocok dalam pengembangan game dan rekayasa platform, dan pekerjaan internal terbarunya berfokus pada masalah yang dihadapi banyak studio: AI dapat menulis kode, tetapi para insinyur tidak selalu mempercayainya. Alih-alih mengandalkan model yang benar-benar baru, Roblox meningkatkan AI-nya dengan mengajarkannya cara para insinyur Roblox benar-benar berpikir. Dengan mendasarkan alat AI pada bertahun-tahun kode internal, ulasan, dan data produksi, perusahaan meningkatkan penerimaan pull request yang dihasilkan AI dari sekitar 30% menjadi lebih dari 60% di seluruh set evaluasi 10.000 PR. Pada saat yang sama, agen pembersihan otomatis mencapai akurasi lebih dari 90%.
Pendekatan ini mengalihkan perhatian dari kekuatan model mentah dan menuju kecerdasan kode yang sadar domain, di mana AI memahami struktur, sejarah, dan ekspektasi lingkungan rekayasa tertentu alih-alih menghasilkan saran generik.
Mengapa Kode AI Masih Membutuhkan Konteks Manusia
Di seluruh industri perangkat lunak, sebagian besar waktu pengembangan dihabiskan untuk memelihara sistem yang ada daripada membangun yang baru. Roblox menghadapi kenyataan yang sama. Di atas kertas, tugas pemeliharaan terlihat ideal untuk AI karena bersifat repetitif dan terdefinisi dengan baik. Dalam praktiknya, asisten AI sering kesulitan dengan kualitas, terutama dalam basis kode yang besar dan matang.
Di Roblox, tantangannya bukanlah AI kekurangan kemampuan, tetapi AI kekurangan konteks. Model serbaguna belum mengalami dua dekade keputusan rekayasa Roblox, batasan kinerja, dan standar pengkodean. Model tersebut belum belajar dari ratusan ribu pull request yang digabungkan atau dari jutaan komentar ulasan di mana para insinyur senior menjelaskan mengapa pendekatan tertentu bekerja lebih baik pada skala Roblox.
Meskipun banyak insinyur Roblox menggunakan alat AI, hanya sebagian kecil saran AI yang diterima tanpa perubahan besar. Para insinyur melaporkan bahwa AI meningkatkan kecepatan, tetapi kepercayaan pada kualitas kode AI tetap lebih rendah, terutama pada sistem C++ lama dan infrastruktur yang kompleks. Solusi Roblox adalah menanamkan pengetahuan institusionalnya sendiri secara langsung ke dalam cara AI bernalar tentang kode.
Mengubah Basis Kode Roblox Menjadi Kecerdasan Terstruktur
Sejarah rekayasa Roblox mencakup hampir 20 tahun commit, dokumen desain, dan telemetri runtime. Mengubahnya menjadi sesuatu yang dapat digunakan AI lebih kompleks daripada sekadar membaca file. Roblox mengoperasikan lingkungan poliblot besar dengan C++, Lua, grafik build, template, dan dependensi dinamis yang membentuk jaringan daripada direktori kode datar.
Untuk membuatnya dapat digunakan, Roblox membangun platform yang menyatukan kontrol versi, sistem build, dan telemetri produksi ke dalam representasi bersama. Ini mempertahankan sintaksis, semantik, dan hubungan antar sistem, memungkinkan agen AI untuk memahami bagaimana komponen yang berbeda terhubung dan berkembang dari waktu ke waktu.
Tantangan lain adalah penyelarasan waktu. Data runtime harus dipetakan kembali ke versi kode yang tepat yang menghasilkannya, bahkan saat basis kode terus berubah. Dengan menghubungkan telemetri ke revisi tertentu, sistem dapat bernalar tentang kinerja, perilaku, dan trade-off dengan cara yang mencerminkan bagaimana para insinyur berpengalaman menganalisis masalah produksi.
Hasilnya adalah fondasi di mana AI dapat melihat kode sebagai sistem yang hidup daripada teks yang terisolasi.
Menangkap Penilaian Insinyur dalam Skala Besar
Salah satu bagian paling berharga dari budaya rekayasa Roblox hidup dalam ulasan kode. Para insinyur senior berulang kali menunjukkan pola yang secara teknis valid tetapi berisiko pada skala Roblox, seperti panggilan pemblokiran di dalam loop frekuensi tinggi yang menimbulkan latensi atau kelelahan thread.
Secara tradisional, pengetahuan itu diteruskan secara manual dari peninjau ke penulis. Sistem penyelarasan Roblox mengubah momen-momen tersebut menjadi panduan permanen. Para insinyur dapat mendefinisikan contoh yang menjelaskan baik seperti apa pola tersebut maupun mengapa itu penting. Ketika AI atau pengembang menyentuh kode serupa nanti, sistem dapat menandai masalah, menjelaskan risikonya, dan menautkan ke standar internal.
Roblox juga menambang komentar pull request historisnya untuk menampilkan pelajaran berulang secara otomatis. Komentar ulasan disematkan ke dalam ruang vektor, dikelompokkan berdasarkan tema, dan disempurnakan menjadi aturan umum menggunakan analisis yang dibantu model. Pakar domain kemudian meninjau dan mempromosikan kandidat terkuat ke dalam basis pengetahuan.
Proses ini mengubah umpan balik informal selama bertahun-tahun menjadi standar terstruktur yang dapat digunakan kembali yang dapat diterapkan secara konsisten oleh agen AI dan para insinyur. Setelah diselaraskan dengan contoh-contoh ini, Roblox melaporkan bahwa satu agen pengkodean meningkatkan tingkat kelulusan internalnya dari kisaran pertengahan 80% menjadi kesempurnaan penuh pada set evaluasi emasnya.
Belajar dari Saran AI yang Gagal
Sistem Roblox tidak hanya belajar dari kesuksesan. Saran AI yang ditolak, refactor yang buruk, dan regresi diperlakukan sebagai data bernilai tinggi. Para insinyur memberi label kegagalan dengan alasan dan konteks, dan informasi itu disematkan dan diindeks untuk penggunaan di masa mendatang.
Ketika AI mengusulkan kode baru, ia mencari kesalahan dan kritik sebelumnya untuk menghindari pengulangan masalah serupa. Seiring waktu, ini menciptakan loop umpan balik di mana setiap ulasan memperkuat perilaku di masa depan. Alih-alih membuang kegagalan, Roblox mengubahnya menjadi sinyal pelatihan yang menyempurnakan cara agen bernalar tentang kualitas dan risiko kode.
Mengukur Kepercayaan dengan Metrik Rekayasa
Meningkatkan kualitas kode AI juga membutuhkan pengukuran yang andal. Roblox membangun kerangka kerja evaluasi yang melacak kinerja agen dari waktu ke waktu menggunakan validasi otomatis dan manusia.
Sistem menguji AI di seluruh tugas refactoring, perbaikan bug, dan pengujian menggunakan simulasi yang dapat direproduksi dan perbandingan ahli. Evaluasi berjalan dalam pipeline integrasi berkelanjutan sebelum perubahan digabungkan, sementara sinyal pasca-penggabungan seperti regresi, pengembalian, dan pergeseran latensi dilacak di seluruh rilis.
Ini menghasilkan skor kualitas yang menunjukkan bagaimana agen meningkat atau menurun antara versi. Setelah memperkenalkan penyelarasan contoh dan evaluasi terstruktur, Roblox melihat penerimaan saran PR meningkat dari sekitar 30% menjadi lebih dari 60% di seluruh set pengujian besar. Agen pembersihan fitur-flag juga meningkat dari akurasi di bawah 50% menjadi lebih dari 90%.
Bagi Roblox, kepercayaan dibangun kurang pada janji dan lebih pada perilaku yang dapat diprediksi dan terukur.
Apa Artinya Ini untuk Masa Depan Rekayasa Roblox
Roblox memperluas platformnya dengan lapisan alat tambahan dan otomatisasi sehingga agen AI dapat menangani lebih dari sekadar tugas-tugas terisolasi. Tujuan jangka panjangnya adalah untuk memelihara kesehatan kode secara berkelanjutan sambil menanamkan konteks runtime dan penilaian ahli ke dalam alur kerja sehari-hari.
Alih-alih memperlakukan AI sebagai asisten terpisah, Roblox bertujuan untuk menjadikannya bagian dari lingkungan rekayasa itu sendiri. Dengan menggabungkan kecerdasan yang sadar domain, penyelarasan ahli, dan observabilitas, perusahaan mengharapkan pengiriman yang lebih cepat, kualitas yang lebih baik, dan lebih sedikit waktu yang dihabiskan untuk pekerjaan pemeliharaan yang berulang.
Bagi para insinyur, itu berarti memori institusional tersedia sesuai permintaan, dan lebih banyak waktu dapat dihabiskan untuk membangun fitur daripada memperbaiki masalah yang dapat dihindari.
Lihat Kartu Hadiah Roblox di Amazon di sini.
Pelajari tentang pengalaman Roblox populer lainnya di sini:
Pertanyaan yang Sering Diajukan (FAQ)
Apa itu kecerdasan kode yang sadar domain di Roblox?
Kecerdasan kode yang sadar domain berarti melatih alat AI pada sejarah rekayasa, standar, dan data runtime Roblox sendiri sehingga sistem memahami bagaimana kode Roblox disusun dan ditinjau, daripada mengandalkan perilaku pengkodean generik.
Seberapa besar peningkatan penerimaan kode AI oleh Roblox?
Roblox meningkatkan penerimaan pull request yang dihasilkan AI dari sekitar 30% menjadi lebih dari 60% di seluruh set evaluasi 10.000 PR setelah menyelaraskan perilaku AI dengan standar rekayasa internal.
Mengapa model AI baru saja tidak cukup?
Model yang lebih kuat saja tidak memahami arsitektur unik Roblox, batasan kinerja, atau budaya pengkodean. Roblox berfokus pada penambahan konteks dari bertahun-tahun kode dan ulasan internal alih-alih mengganti model.
Bagaimana Roblox menangkap keahlian insinyur untuk AI?
Roblox mengekstrak pola dari ulasan kode historis dan membiarkan para ahli mendefinisikan contoh yang menjelaskan baik apa itu pola maupun mengapa itu penting. Ini menjadi aturan yang dapat digunakan kembali untuk AI dan para insinyur.
Bagaimana Roblox mencegah AI mengulangi kesalahan?
Saran AI yang ditolak dan perubahan yang gagal diberi label dan disematkan ke dalam sistem. Ketika kode baru dihasilkan, AI mencari kesalahan masa lalu untuk menghindari pengulangan masalah serupa.
Apa artinya ini bagi pengembang yang menggunakan Roblox?
Meskipun pekerjaan ini bersifat internal, alat AI yang lebih baik meningkatkan stabilitas platform dan kecepatan pengembangan, yang pada akhirnya mendukung kreator yang membangun game dan pengalaman di Roblox.
Apakah ini terkait dengan pengembangan web3?
Tidak. Kecerdasan kode AI Roblox berfokus pada rekayasa platform dan sistem skala besar, bukan teknologi web3.
