Devin Code Scans : automatiser les investigations de codebase avec des agents
En bref
- Devin lance Code Scans, un outil qui utilise des agents parallèles pour investiguer une codebase en fonction d'objectifs larges (réduire la maintenance, optimiser les performances, corriger des problèmes de SEO) et générer des pull requests.
- Les cas d'usage affichés : réduction de 64% du temps de compilation Rust, amélioration du score SEO de 87 à 92, 96% de taux de fusion des PR lors des tests internes.
- L'architecture s'appuie sur une approche dite « Agentic MapReduce » qui divise les investigations en lots parallèles.
Ce que dit la source
Devin argue que beaucoup de tâches d'ingénierie commencent par un objectif large (accélérer la compilation, réduire la dette technique, améliorer le SEO) qui reste bloqué au backlog parce que la phase d'investigation seule est un projet substantiel. Code Scans prétend résoudre ce problème en automatisant à la fois l'identification des améliorations et leur implémentation sous forme de PR. L'entreprise revendique une économie de 700+ heures d'ingénierie et un taux de fusion de 96% lors de tests internes.
- L'outil fonctionne en trois étapes : définir l'objectif (ex. trouver du code mort), laisser Devin investiguer le codebase et synthétiser ses trouvailles, puis générer des PR prêtes à la relecture.
- L'architecture parallélise les investigations via « Agentic MapReduce » (la même technologie utilisée pour Devin Security Swarm), distribuant les tâches d'analyse entre plusieurs agents.
- Cas d'usage Rust : Dioxus a vu son temps de compilation en mode debug chuter de 58,6 secondes à 21,0 secondes (réduction de 64%) en désactivant les features opt-in lourd et en optimisant la configuration de compilation.
- Cas d'usage SEO : sur devin.ai et cognition.com, 44 findings ont été détectés et corrigés, menant à une augmentation du score Ahrefs de 87 à 92 et une réduction de 73% des pages lentes.
- L'outil accepte des critères personnalisés (standards de codage d'équipe, checklist d'accessibilité, exigences de migration).
Dans les commentaires
Scepticisme substantiel : plusieurs commentateurs doutent que Code Scans offre un réel avantage par rapport aux modèles frontière actuels et à des agents swarms manuels.
- Un commentateur note qu'un prompt simple à Claude aujourd'hui inclurait déjà implicitement les nuances du prompt d'exemple (« check for indirect references »), et questionne ce que Devin ajoute face à un agent swarm.
- Le débat porte sur le caractère « agentif » : une équipe ayant implémenté ce type d'approche rapporte des résultats rarement impressionnants, surtout si les objectifs sont sous-spécifiés.
- Un tiers remet en cause la pertinence business elle-même des cas d'usage présentés (trouver du code mort, optimiser le SEO en masse), les qualifiant de « busy work » sans bénéfice réel pour une vraie application.
Notre lecture
Code Scans ressemble à une capacité d'orchestration pour les modèles frontière existants, mais le fil HN met l'accent sur l'absence d'évidence concrète qu'elle apporte un gain opérationnel au-delà de ce qu'un agent swarm ou un prompt bien construit permet déjà. Les chiffres (96% PR merge, 700h économisées) proviennent de tests contrôlés chez Devin lui-même : pas d'adoption externe vérifiée. Pour une DSI, intéressant à surveiller (Devin agent + orchestration parallelisée), mais attendre un retour utilisateur indépendant avant d'envisager une utilisation courante sur des codebases critiques. Le marché des « agents d'investigation de codebase » s'épaissit rapidement : pas encore d'évidence que cette version-ci se distingue.