Optimal AI nutzt die Gemini API, um die Code-Überprüfungszeiten um 50 % zu verkürzen

Code-Reviews sind zwar entscheidend für die Qualität, werden aber oft zu einem Engpass bei der schnellen Entwicklung. Optimal AI ändert das. Ihr Ziel ist es, Ingenieuren Zeit zu sparen, indem sie KI zur Automatisierung von Engineering und Compliance einsetzen. Zu den Lösungen gehören Optibot, ein KI-Code-Reviewer, der sich auf Sicherheit und Compliance konzentriert, sowie eine auf der Gemini API basierende Insights-Plattform, die die Entwicklungsgeschwindigkeit optimiert.

Bisher hatte Optimal AI Probleme mit der Geschwindigkeit und dem Kontextverständnis, die für eine wirklich effektive KI-Codeüberprüfung erforderlich sind. „Die größte Herausforderung war das kontextbezogene Verständnis. Wir brauchten ein Modell, das sich Code-Changesets ansehen und sie tatsächlich in den Kontext setzen konnte“, erklärt Syed Ahmed, Mitbegründer und CTO.

Durch die Integration der Gemini API hat Optimal AI sein Angebot erheblich verbessert:

• Schnellere und genauere Codeüberprüfung: Optibot, das auf der Gemini API basiert, überprüft Pull-Anfragen automatisch auf Sicherheitslücken, Compliance-Risiken und Codemuster. Es liefert umsetzbares Feedback und verkürzt die Überprüfungszeiten erheblich.
• Umsetzbare technische Statistiken: Die Gemini-Modelle analysieren Daten aus GitHub und Jira, um Engpässe zu erkennen und die technische Leistung zu verstehen. Dabei wird effektiv zwischen produktiver Aktivität und Code-Churn unterschieden.
• Ausgewogene Geschwindigkeit und Komplexität: Optimal AI nutzt Gemini 2.5 Pro für komplexe Analysen und ein detailliertes Codeverständnis, während Gemini 2.0 Flash die Geschwindigkeit für Aufgaben mit geringer Latenz wie schnelle Zusammenfassungen bietet.

Die Implementierung von Optimal AI zeigt die Flexibilität der Gemini API:

• Verwendete Modelle:
  • Gemini 2.5 Pro: Für detaillierte Codeanalysen, Sicherheitsprüfungen, kontextbezogenes Feedback zu Pull-Requests und die Identifizierung komplexer Engineering-Muster für Leistungsstatistiken.
  • Gemini 2.0 Flash: Für Aufgaben mit niedriger Latenz wie das Scannen von Dateibäumen und das Erstellen von kurzen Zusammenfassungen.
• Wichtige Funktionen und Implementierung:
  • Kontextuelles Verständnis: Das große Kontextfenster der Gemini-Modelle ist entscheidend für die Interpretation komplexer Code-Changesets und das Verständnis allgemeiner Engineering-Muster.
  • Mehrsprachige Unterstützung: Die verbesserte Fähigkeit der Gemini-Modelle, mehrere Programmiersprachen und Frameworks zu verarbeiten, war ein großer Vorteil für Optimal AI.
  • Google AI Studio: Das Team nutzt Google AI Studio intensiv für schnelle Prompt-Tests, Modellbewertungen und Iterationen. „Die Möglichkeit, Ausgaben neben dem Implementierungscode zu sehen, hat es unseren Entwicklern viel einfacher gemacht, zu experimentieren“, so Ahmed.

Die Integration von Gemini hat sich für Optimal AI und seine Kunden als sehr wirkungsvoll erwiesen. Zu den wichtigsten Ergebnissen gehören:

• 50% weniger Zeit für Pull-Requests: Entwickler verbringen weniger Zeit mit Warten auf Überprüfungen und mehr Zeit mit Programmieren.
• Schnelle Akzeptanz und Ausweitung bei Kunden: Unternehmen wie MongoDB haben die Nutzung von Optimal AI nach den ersten positiven Erfahrungen deutlich gesteigert – von 5 auf über 40 Entwickler.
• Erfolgreiche Pre-Seed-Finanzierungsrunde über 2,25 Millionen $: Dies wurde in der privaten Betaphase erreicht, was größtenteils auf die Akzeptanz und die Ergebnisse der Funktionen zurückzuführen ist, die auf der Gemini API basieren.

„Die Teams sind begeistert, dass Optibot die Überprüfungszeiten für Pull Requests halbiert. So können sich die Entwickler mehr auf das Programmieren konzentrieren, anstatt auf Genehmigungen zu warten“, sagt Ahmed.

Optimal AI konzentriert sich darauf, seine Suite von KI-Agenten zu erweitern, um noch mehr sich wiederholende Aufgaben zu automatisieren. Sie entwickeln derzeit „Code Radar“, einen Agenten, der Codebases autonom überwachen, patchen und sichern soll. Syed Ahmed blickt auf seine Erfahrungen mit der Gemini API zurück und gibt anderen Entwicklern folgenden Rat:

„Verwenden Sie Google AI Studio. Es bietet bessere Tools und eine bessere Dokumentation und macht das Experimentieren viel effizienter.“ Er betont außerdem: „Nutzen Sie das Kontextfenster des Gemini-Modells voll aus. Geben Sie den Modellen so viel relevanten Kontext wie möglich. Je mehr Kontext wir bereitgestellt haben, desto besser wurde die Argumentation der KI.“

Der Erfolg von Optimal AI zeigt, wie die Gemini API die Softwareentwicklung verändern kann, sodass Teams bessere Software schneller entwickeln können.

Bereit zum Erstellen? Gemini API-Dokumentation – Google AI Studio