חברת Optimal AI משתמשת ב-Gemini API כדי לקצר ב-50% את הזמן שנדרש לבדיקת קוד
סייד אחמד
מייסד שותף ומנהל טכנולוגיות ראשי (CTO)
וישאל דהרמדיקארי
מהנדסי פתרונות מוצר
בדיקות קוד, שהן חיוניות לאיכות, הופכות לעיתים קרובות לצוואר בקבוק בתהליך פיתוח מהיר. התכונה Optimal AI משנה את זה. המטרה שלהם: "לחסוך זמן למהנדסים" באמצעות AI לאוטומציה של הנדסה ותאימות. הפתרונות שלהם כוללים את Optibot, בודק קוד מבוסס-AI שמתמקד באבטחה ובתאימות, ופלטפורמת תובנות שמבוססת על Gemini API ומבצעת אופטימיזציה של קצב הפיתוח.
בעבר, ל-Optimal AI היו קשיים במהירות ובהבנה ההקשרית שנדרשות לביקורת יעילה באמת של קוד מבוסס-AI. "האתגר הכי גדול היה הבנה הקשרית – היינו צריכים מודל שיכול לבחון את השינויים בקוד ולתת להם הקשר", מסביר סייד אחמד, מייסד שותף וסמנכ "ל טכנולוגיות.
שיפור היעילות
בעזרת שילוב של Gemini API, חברת Optimal AI שיפרה משמעותית את המוצרים שלה:
שיפור המהירות והדיוק של בדיקת הקוד: Optibot, שמבוסס על Gemini API, בודק אוטומטית בקשות משיכה (pull requests) כדי לזהות נקודות חולשה באבטחה, סיכוני תאימות ודפוסי קידוד. הוא מספק משוב פרקטי ומקצר משמעותית את זמני הבדיקה.
תובנות הנדסיות פרקטיות שחולצו: מודלי Gemini מנתחים נתונים מ-GitHub ומ-Jira כדי לזהות צווארי בקבוק ולהבין את הביצועים ההנדסיים, ומבחינים ביעילות בין פעילות פרודוקטיבית לבין שינויים תכופים בקוד.
מהירות ורמת מורכבות מאוזנות: כדי לבצע ניתוחים מורכבים ולהבין קוד לעומק, ה-AI האופטימלי מתבסס על Gemini 2.5 Pro. כדי לבצע משימות עם זמן אחזור נמוך כמו סיכומים מהירים, הוא מתבסס על Gemini 2.0 Flash.
איך Optimal AI משתמשת ב-Gemini API
ההטמעה של Optimal AI מדגימה את הגמישות של Gemini API:
המודלים שנעשה בהם שימוש::
Gemini 2.5 Pro: לניתוח מעמיק של קוד, בדיקות אבטחה, משוב הקשרי על בקשות משיכה וזיהוי דפוסי הנדסה מורכבים לתובנות לגבי ביצועים.
Gemini 2.0 Flash: למשימות עם זמן אחזור נמוך, כמו סריקת עץ קבצים ויצירת סיכומים מהירים.
התכונות העיקריות וההטמעה::
הבנה הקשרית: חלון ההקשר הגדול של מודלי Gemini חיוני לפרשנות של שינויים מורכבים ב-codebase ולהבנה של דפוסי הנדסה רחבים יותר.
תמיכה בכמה שפות: היכולת המשופרת של מודלי Gemini לטפל בכמה שפות תכנות ובמסגרות עבודה הייתה יתרון משמעותי עבור Optimal AI.
Google AI Studio: הצוות משתמש ב-Google AI Studio באופן נרחב כדי לבדוק הנחיות במהירות, להעריך מודלים ולבצע איטרציות. "היכולת לראות את התוצאות לצד קוד ההטמעה הקלה מאוד על המהנדסים שלנו להתנסות", מציין אחמד.
התוצאות: ביקורות מהירות יותר
ההשפעה של שילוב Gemini הייתה משמעותית עבור Optimal AI והלקוחות שלה. התוצאות העיקריות כוללות:
קיצור של 50% בזמני המחזור של בקשות המשיכה: המהנדסים משקיעים פחות זמן בהמתנה לבדיקות ויותר זמן בכתיבת קוד.
אימוץ מהיר של הטכנולוגיה על ידי הלקוחות והרחבת השימוש בה: חברות כמו MongoDB הגדילו משמעותית את השימוש שלהן ב-Optimal AI אחרי שהן נהנו מהיתרונות שלה. מספר המהנדסים שמשתמשים בטכנולוגיה הזו גדל מ-5 ליותר מ-40.
גיוס מוצלח של 2.25 מיליון דולר בשלב טרום-הזרעה: הגיוס הזה בוצע בגרסת בטא פרטית, בעיקר בזכות ההתעניינות והתוצאות שהושגו באמצעות התכונות שמבוססות על Gemini API.
"הצוותים מאוד אוהבים את Optibot כי הוא עוזר להם לקצר בחצי את הזמן שנדרש לבדיקת יחסי ציבור, וכך המהנדסים יכולים להקדיש יותר זמן לכתיבת קוד במקום לחכות לאישורים", אומר אחמד.
מבט קדימה
החברה Optimal AI מתמקדת בהרחבת חבילת סוכני ה-AI שלה כדי לבצע אוטומציה של עוד משימות שחוזרות על עצמן. הם מפתחים כרגע את Code Radar, סוכן שנועד לנטר, לתקן ולאבטח בסיסי קוד באופן אוטונומי. בסיום המסע שלו עם Gemini API, סייד אחמד מציע את העצה הבאה למפתחים אחרים:
"כדאי לעבור ישירות אל Google AI Studio – יש בו כלים טובים יותר, תיעוד טוב יותר והוא מאפשר לבצע ניסויים בצורה יעילה הרבה יותר". הוא גם מדגיש: "כדאי לנצל את חלון ההקשר של מודל Gemini באופן מלא. כדאי לספק למודלים כמה שיותר הקשר רלוונטי… ככל שסיפקנו יותר הקשר, כך החשיבה הרציונלית של ה-AI השתפרה".
ההצלחה של Optimal AI מדגימה איך Gemini API יכול לשנות את פיתוח התוכנה, ולאפשר לצוותים לבנות תוכנה טובה יותר, מהר יותר.
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],[],[],[],null,["[](/showcase) \nShare\nAPRIL 9, 2025 \n\nOptimal AI Uses the Gemini API to Cut Code Review Times by 50% \nSyed Ahmed\n\nCo-founder \\& CTO \nVishal Dharmadhikari\n\nProduct Solutions Engineer \n\nCode reviews, while crucial for quality, often become a bottleneck in fast-paced development. [Optimal AI](http://www.getoptimal.ai) is changing that. Their mission: \"give engineers back their time\" using AI to automate engineering and compliance. Their solutions include Optibot, an AI code reviewer focused on security and compliance, and an insights platform powered by the Gemini API that optimizes development velocity.\n\n\n\u003cbr /\u003e\n\n\nPreviously Optimal AI faced challenges with the speed and contextual understanding needed for truly effective AI code review. \"The biggest challenge was contextual understanding---we needed a model that could look at code changesets and actually contextualize them,\" explains Syed Ahmed, Co-founder \\& CTO.\n\nUnlocking Efficiency \n\nBy integrating the Gemini API, Optimal AI has significantly enhanced its offerings:\n\n\n\u003cbr /\u003e\n\n\n- **Boosted code review speed and accuracy**: Optibot, powered by the Gemini API, automatically reviews pull requests for security vulnerabilities, compliance risks, and coding patterns, providing actionable feedback and dramatically reducing review times.\n- **Extracted actionable engineering insights**: The Gemini models analyze data from GitHub and Jira to identify bottlenecks and understand engineering performance, effectively differentiating between productive activity and code churn.\n- **Balanced speed and sophistication**: Optimal AI leverages Gemini 2.5 Pro for complex analysis and in-depth code understanding, while Gemini 2.0 Flash provides the speed needed for low-latency tasks like quick summarizations.\n\n\u003cbr /\u003e\n\nHow Optimal AI Uses the Gemini API \n\nOptimal AI's implementation showcases the Gemini API's flexibility:\n\n\n\u003cbr /\u003e\n\n\n- **Models used:** :\n - Gemini 2.5 Pro: For in-depth code analysis, security checks, contextual feedback on pull requests, and identifying complex engineering patterns for performance insights.\n - Gemini 2.0 Flash: For low-latency tasks such as file tree scanning and generating quick summaries.\n- **Key features \\& implementation:** :\n - **Contextual understanding**: The Gemini models' large context window is crucial for interpreting complex code changesets and understanding broader engineering patterns.\n - **Multi-language support**: The Gemini models's improved ability to handle multiple programming languages and frameworks was a significant win for Optimal AI.\n - **[Google AI Studio](https://aistudio.google.com/)**: The team heavily uses Google AI Studio for rapid prompt testing, model evaluation, and iteration. \"The ability to see outputs alongside the implementation code has made it much easier for our engineers to experiment,\" notes Ahmed.\n\n\u003cbr /\u003e\n\nThe Results: Faster Reviews \n\nThe impact of integrating Gemini has been significant for Optimal AI and its customers. Key results include:\n\n\n\u003cbr /\u003e\n\n\n- **50% reduction in pull request cycle times**: Engineers spend less time waiting for reviews and more time coding.\n- **Rapid customer adoption and expansion**: Companies like MongoDB have significantly increased their usage of Optimal AI after experiencing its benefits, growing from 5 to over 40 engineers.\n- **Successful $2.25 million pre-seed funding round**: This was achieved in private beta, largely driven by the traction and results demonstrated with the Gemini API-powered features.\n\n\u003cbr /\u003e\n\n\u003cbr /\u003e\n\n\"Teams love that Optibot helps them cut PR review times in half, freeing up engineers to spend more time coding instead of waiting on approvals,\" shares Ahmed.\n\n\u003cbr /\u003e\n\nLooking Ahead \n\nOptimal AI is focused on expanding its suite of AI agents to automate even more repetitive tasks. They are currently developing \"Code Radar,\" an agent designed to autonomously monitor, patch, and secure codebases. Reflecting on their journey with the Gemini API, Syed Ahmed offers this advice to fellow developers:\n\n\n\u003cbr /\u003e\n\n\n\"Go straight to Google AI Studio---it has better tooling, better documentation, and makes experimentation a lot more efficient.\" He also emphasizes, \"Take full advantage of the Gemini model's context window. Feed the models as much relevant context as possible...the more context we provided, the better the AI's reasoning became.\"\n\n\n\u003cbr /\u003e\n\n\nOptimal AI's success demonstrates how the Gemini API can transform software development, enabling teams to build better software, faster.\n\n\n\u003cbr /\u003e\n\n\nReady to build? Explore the [Gemini API documentation](https://ai.google.dev/gemini-api) and get started with [Google AI Studio](https://aistudio.google.com/) today. \n\nRelated case studies \n[Langbase\nHigh-throughput, low-cost AI agents with Gemini Flash on Langbase](/showcase/langbase) [Calcam\nFast, accurate nutritional analysis with CalCam and Gemini 2.0 Flash](/showcase/calcam) [Wolf Games\nWolf Games uses Gemini API to boost content generation accuracy to 96% and slash latency to under 20 seconds for their daily crime stories.](/showcase/wolfgames)"]]
