Informe de benchmark
Método y resultados de Codna frente a Cursor en 87 casos emparejados de corrección de errores.
Recursos
Abrir
Reparación autónoma de código
Por qué los agentes necesitan un mapa determinista antes de corregir.
Revisión de código con IA
Cómo la severidad, la confianza y un veredicto claro aceleran la revisión de pull requests.
De Sentry al PR
Convierte un fallo en producción en un pull request de corrección con la causa raíz adjunta.
Preguntas frecuentes
En 87 casos emparejados frente a Cursor, Codna usó 5× menos tokens y corrió 1,7× más rápido. Ambos verificaron 87 de 87 correcciones. Codna promedió unos 0,02 $ de gasto en modelo por corrección.
Tokens totales, tiempo de reloj, coste de modelo y correcciones verificadas por caso, promediados en 87 casos emparejados ejecutados en checkouts idénticos.
Codna mapea el repositorio sin modelo, por cero tokens, y entrega al agente un paquete de evidencia acotado al issue. Imprime el tamaño bruto-a-paquete en cada ejecución.
El mapa del repositorio se construye a partir de patrones de import, así que no está atado a un lenguaje. codna impact acota un diff a los tests que puede afectar. El recall en el dispositivo cubre Python, JavaScript, TypeScript, Go, Rust, Java, C, C++, C#, PHP y Ruby.
Codna localiza el código afectado con su grafo de dependencias y radio de impacto, corrige desde el paquete de evidencia e informa causa raíz, confianza, radio de impacto y riesgo de regresión. En GitHub, abre un pull request que se explica solo. Tú haces merge.
La comprensión corre en tu máquina. Solo el paquete de evidencia o el diff llega a tu proveedor de modelo, con tu clave. Configura privacy.egress en fail-closed en codna.yaml y Codna ejecuta tus tests solo bajo denegación de red a nivel de kernel.