Relatório de benchmark
Método e resultados do Codna contra o Cursor em 87 casos pareados de correção de bugs.
Recursos
Abrir
Reparação autônoma de código
Por que agentes precisam de um mapa determinístico antes de corrigir.
Revisão de código com IA
Como severidade, confiança e um veredito claro aceleram a revisão de pull requests.
Do Sentry ao PR
Transforme uma falha em produção em um pull request de correção com a causa raiz anexada.
Perguntas frequentes
Em 87 casos pareados contra o Cursor, o Codna usou 5× menos tokens e rodou 1,7× mais rápido. Ambos verificaram 87 de 87 correções. O Codna gastou em média cerca de US$ 0,02 de modelo por correção.
Tokens totais, tempo de relógio, custo de modelo e correções verificadas por caso, com média sobre 87 casos pareados rodados em checkouts idênticos.
O Codna mapeia o repositório sem modelo, por zero tokens, e entrega ao agente um pacote de evidências restrito à issue. Ele imprime a relação bruto/pacote em cada execução.
O mapa do repositório é construído a partir de padrões de import, então não está preso a uma linguagem. codna impact reduz um diff aos testes que ele pode afetar. O recall no dispositivo cobre Python, JavaScript, TypeScript, Go, Rust, Java, C, C++, C#, PHP e Ruby.
O Codna localiza o código afetado com seu grafo de dependências e raio de impacto, corrige a partir do pacote de evidências e informa causa raiz, confiança, raio de impacto e risco de regressão. No GitHub, abre um pull request que se explica. Você faz o merge.
O entendimento roda na sua máquina. Só o pacote de evidências ou o diff chega ao seu provedor de modelo, com a sua chave. Defina privacy.egress como fail-closed no codna.yaml e o Codna roda seus testes só sob bloqueio de rede em nível de kernel.