Roblox неуклонно расширяет применение искусственного интеллекта в разработке игр и инжиниринге платформы, а его последняя внутренняя работа сосредоточена на проблеме, с которой сталкиваются многие студии: ИИ может писать код, но инженеры не всегда ему доверяют. Вместо того чтобы полагаться на совершенно новую модель, Roblox улучшил свой ИИ, научив его тому, как инженеры Roblox на самом деле думают. Опираясь на многолетний внутренний код, ревью и производственные данные, компания увеличила процент принятия кода, сгенерированного ИИ, примерно с 30% до более чем 60% по результатам оценки 10 000 pull request. В то же время автоматизированный агент очистки достиг более 90% точности.
Этот подход смещает внимание с сырой мощности модели на осведомленный о предметной области код, где ИИ понимает структуру, историю и ожидания конкретной инженерной среды, вместо того чтобы генерировать общие предложения.
Почему код ИИ по-прежнему нуждается в человеческом контексте
В индустрии разработки программного обеспечения большая часть времени тратится на поддержку существующих систем, а не на создание новых. Roblox сталкивается с той же реальностью. На бумаге задачи по поддержке выглядят идеальными для ИИ, поскольку они повторяющиеся и четко определенные. На практике ИИ-ассистенты часто испытывают трудности с качеством, особенно в больших и зрелых кодовых базах.
В Roblox проблема заключалась не в отсутствии возможностей у ИИ, а в отсутствии контекста. Модель общего назначения не имела опыта двух десятилетий инженерных решений Roblox, ограничений производительности и стандартов кодирования. Она не училась на сотнях тысяч объединенных pull request или на миллионах комментариев к ревью, где старшие инженеры объясняют, почему определенные подходы лучше работают в масштабах Roblox.
Несмотря на то, что многие инженеры Roblox используют ИИ-инструменты, лишь небольшая часть предложений ИИ принимается без существенных изменений. Инженеры сообщают, что ИИ повышает скорость, но уверенность в качестве кода ИИ остается ниже, особенно в устаревших C++ системах и сложной инфраструктуре. Решением Roblox стало встраивание собственных институциональных знаний непосредственно в то, как ИИ рассуждает о коде.
Превращение кодовой базы Roblox в структурированный интеллект
Инженерная история Roblox насчитывает почти 20 лет коммитов, проектных документов и телеметрии времени выполнения. Превращение этого во что-то, что ИИ может использовать, сложнее, чем просто чтение файлов. Roblox управляет большой полиглотной средой с C++, Lua, графами сборки, шаблонами и динамическими зависимостями, которые образуют сеть, а не плоский каталог кода.
Чтобы сделать это пригодным для использования, Roblox создал платформу, которая объединяет систему контроля версий, системы сборки и производственную телеметрию в общее представление. Это сохраняет синтаксис, семантику и взаимосвязи между системами, позволяя ИИ-агентам понимать, как различные компоненты связаны и развиваются со временем.
Другой проблемой является синхронизация времени. Данные времени выполнения должны быть связаны с точной версией кода, которая их произвела, даже по мере изменения кодовой базы. Связывая телеметрию с конкретными ревизиями, система может рассуждать о производительности, поведении и компромиссах таким образом, который отражает, как опытные инженеры анализируют производственные проблемы.
Результатом является основа, на которой ИИ может рассматривать код как живую систему, а не изолированный текст.
Захват суждений инженеров в масштабе
Одна из самых ценных частей инженерной культуры Roblox живет в ревью кода. Старшие инженеры неоднократно указывают на паттерны, которые технически допустимы, но рискованны в масштабах Roblox, такие как блокирующие вызовы внутри циклов с высокой частотой, которые вызывают задержки или исчерпание потоков.
Традиционно эти знания передаются вручную от ревьюера к автору. Система выравнивания Roblox преобразует эти моменты в постоянное руководство. Инженеры могут определять примеры, которые описывают как внешний вид паттерна, так и его важность. Когда ИИ или разработчик позже затрагивает похожий код, система может отметить проблему, объяснить риск и сослаться на внутренние стандарты.
Roblox также анализирует исторические комментарии к pull request, чтобы автоматически выявлять повторяющиеся уроки. Комментарии к ревью встраиваются в векторное пространство, кластеризуются по темам и уточняются в общие правила с помощью анализа, управляемого моделью. Затем эксперты предметной области просматривают и продвигают наиболее сильные кандидаты в базу знаний.
Этот процесс превращает годы неформальной обратной связи в структурированные, повторно используемые стандарты, которые ИИ-агенты и инженеры могут применять последовательно. После выравнивания по этим примерам, Roblox сообщил, что один кодирующий агент улучшил свой внутренний показатель прохождения с середины 80% до полной корректности на своем золотом наборе данных для оценки.
Обучение на неудачных предложениях ИИ
Система Roblox учится не только на успехах. Отклоненные предложения ИИ, плохие рефакторинги и регрессии рассматриваются как высокоценные данные. Инженеры маркируют ошибки с обоснованием и контекстом, и эта информация встраивается и индексируется для будущего использования.
Когда ИИ предлагает новый код, он ищет предыдущие ошибки и критику, чтобы избежать повторения подобных проблем. Со временем это создает петлю обратной связи, где каждое ревью укрепляет будущее поведение. Вместо того чтобы отбрасывать неудачи, Roblox превращает их в обучающие сигналы, которые уточняют, как агенты рассуждают о качестве кода и рисках.
Измерение доверия с помощью инженерных метрик
Улучшение качества кода ИИ также требует надежного измерения. Roblox создал оценочную структуру, которая отслеживает производительность агентов с течением времени с помощью как автоматической, так и человеческой валидации.
Система тестирует ИИ в задачах рефакторинга, исправления ошибок и тестирования с использованием воспроизводимых симуляций и сравнений с экспертами. Оценки выполняются в конвейерах непрерывной интеграции перед слиянием изменений, в то время как сигналы после слияния, такие как регрессии, откаты и сдвиги задержки, отслеживаются в выпусках.
Это дает оценку качества, которая показывает, как агенты улучшаются или регрессируют между версиями. После внедрения выравнивания по примерам и структурированной оценки, Roblox увидел, что принятие предложений PR выросло примерно с 30% до более чем 60% по большому тестовому набору. Агент очистки фича-флагов также улучшился с точности ниже 50% до более чем 90%.
Для Roblox доверие строится не столько на обещаниях, сколько на предсказуемом, измеримом поведении.
Что это значит для инженерного будущего Roblox
Roblox расширяет свою платформу дополнительными слоями инструментов и автоматизации, чтобы ИИ-агенты могли справляться с большим количеством задач, чем изолированные. Долгосрочная цель — непрерывно поддерживать здоровье кода, встраивая контекст времени выполнения и экспертные суждения в повседневные рабочие процессы.
Вместо того чтобы рассматривать ИИ как отдельного ассистента, Roblox стремится сделать его частью самой инженерной среды. Объединяя осведомленный о предметной области интеллект, выравнивание экспертов и наблюдаемость, компания ожидает более быстрой доставки, лучшего качества и меньшего времени, затрачиваемого на повторяющиеся задачи по поддержке.
Для инженеров это означает, что институциональная память становится доступной по запросу, и больше времени может быть потрачено на создание функций, а не на исправление избегаемых проблем.
Проверьте подарочные карты Roblox на Amazon здесь.
Узнайте о других популярных играх Roblox здесь:
Часто задаваемые вопросы (FAQ)
Что такое осведомленный о предметной области код в Roblox?
Осведомленный о предметной области код означает обучение ИИ-инструментов на истории инжиниринга, стандартах и данных времени выполнения Roblox, чтобы система понимала, как код Roblox структурирован и ревьюируется, вместо того чтобы полагаться на общее поведение кодирования.
Насколько Roblox улучшил принятие кода ИИ?
Roblox увеличил процент принятия кода, сгенерированного ИИ, примерно с 30% до более чем 60% по результатам оценки 10 000 pull request после выравнивания поведения ИИ с внутренними инженерными стандартами.
Почему новой модели ИИ было недостаточно?
Более сильная модель сама по себе не понимает уникальную архитектуру Roblox, ограничения производительности или культуру кодирования. Roblox сосредоточился на добавлении контекста из многолетнего внутреннего кода и ревью вместо смены моделей.
Как Roblox фиксирует экспертизу инженеров для ИИ?
Roblox извлекает паттерны из исторических ревью кода и позволяет экспертам определять примеры, которые описывают как паттерн, так и его важность. Они становятся повторно используемыми правилами для ИИ и инженеров.
Как Roblox предотвращает повторение ошибок ИИ?
Отклоненные предложения ИИ и неудачные изменения маркируются и встраиваются в систему. При генерации нового кода ИИ ищет прошлые ошибки, чтобы избежать повторения подобных проблем.
Что это значит для разработчиков, использующих Roblox?
Хотя работа ведется внутри компании, улучшенные ИИ-инструменты повышают стабильность платформы и скорость разработки, что в конечном итоге поддерживает создателей игр и опытов на Roblox.
Связано ли это с разработкой web3?
Нет. Интеллект кода ИИ Roblox сосредоточен на инжиниринге платформы и крупномасштабных системах, а не на технологиях web3.
