Présentation

Devin lance Code Scans, un service qui transforme des objectifs d’ingénierie généraux (par ex. améliorer le SEO ou réduire le temps de compilation) en investigations ciblées du code. Le produit s’appuie sur une architecture « Agentic MapReduce » et promet de générer automatiquement des pull‑requests (PR) à partir des constats. Durant la phase pilote, le taux de fusion des PR a atteint 96 % sur plusieurs dépôts, ce qui a permis d’économiser plus de 700 heures d’ingénierie selon les équipes test.

Architecture et fonctionnement

Le moteur repose sur le modèle MapReduce appliqué à des agents autonomes. Chaque « scan » est découpé en lots de recherche ; ces lots sont distribués à des agents parallèles qui analysent des portions du dépôt (fichiers, dépendances, configurations). Une phase de réduction agrège les résultats en un rapport unique, puis Devin crée des PR contenant les modifications recommandées. Le processus démarre par la commande 

/scan
dans l’interface web, où l’utilisateur définit le but (ex. « trouver le code inutilisé ») et les filtres (ex. exclure les fichiers générés).

Analyse des gains mesurés

Dans le référentiel Dioxus, Code Scans a identifié des dépendances lourdes et des fonctionnalités par défaut activées. Après application des correctifs, le temps de compilation d’une build de debug est passé de 58,6 s à 21,0 s, soit une réduction de 64 % sur 22 crates. Le rapport détaille notamment la désactivation du feature mounted qui entraînait le chargement de web‑sys, js‑sys et wasm‑bindgen pour chaque rendu non‑web, ainsi que la suppression de cargo‑generate, qui tirait une chaîne native git2/libgit2‑sys. Sur le plan SEO, une analyse des sites devin.ai et cognition.com a révélé 44 anomalies (images sans texte alternatif, chemins relatifs d’Open Graph, chaînes de redirection à deux sauts). Après correction, le score Ahrefs est passé de 87 à 92 pour devin.ai, les pages lentes ont diminué de 73 %, et les balises alt manquantes ont été éliminées sur cognition.com. Ces indicateurs montrent que les recommandations de Code Scans impactent à la fois la performance technique et la visibilité en ligne.

Limites et perspectives

Le système dépend fortement de la précision du cahier des charges fourni par l’utilisateur ; une définition vague peut générer des faux positifs ou des PR non pertinentes. De plus, la phase de synthèse repose sur des modèles de langage qui peuvent interpréter de façon erronée des contextes complexes, d’où la nécessité d’une revue humaine avant fusion. Enfin, la parallélisation augmente la consommation de ressources cloud, ce qui peut limiter la rentabilité pour de très grands monorepos. Malgré ces contraintes, le modèle MapReduce appliqué aux agents ouvre la voie à des audits continus et à une automatisation plus fine des refactorisations.