Ertas para Generación de Código

The Challenge

Los equipos de desarrollo de software están adoptando la generación de código, revisión de código y generación de documentación con IA a un ritmo acelerado, pero las ganancias de productividad de los modelos de código genéricos se estancan rápidamente en bases de código empresariales. Los frameworks internos, API propietarias, patrones de diseño personalizados y convenciones de codificación específicas de la organización son invisibles para los modelos entrenados en repositorios públicos de código abierto. El resultado son sugerencias de IA que son sintácticamente válidas pero arquitectónicamente incorrectas: importando paquetes internos obsoletos, ignorando reglas de linting personalizadas o generando código repetitivo que contradice los patrones establecidos del equipo.

La propiedad intelectual es la preocupación más profunda. El código fuente empresarial representa años de inversión en ingeniería y ventaja competitiva. Enviar código propietario a la API de un proveedor de IA de terceros, donde puede ser registrado, almacenado en caché o utilizado de forma agregada para mejorar los modelos del proveedor, crea una exposición de propiedad intelectual que los equipos legales y de seguridad tienen razón en rechazar. Muchas organizaciones con políticas estrictas de propiedad intelectual han prohibido por completo los asistentes de código en la nube, obligando a los desarrolladores a volver a flujos de trabajo manuales mientras los competidores aceleran con IA.

The Solution

Ertas permite que un equipo de ingeniería entrene un modelo de código que conoce su propia base de código y luego lo ejecute en su propia infraestructura. En Ertas Studio, el equipo de plataforma sube un dataset JSONL creado a partir de los repositorios internos (pares de código y comentario, firmas de funciones con docstrings, diffs de pull requests y comentarios de revisión) y ajusta un modelo abierto con LoRA en las GPU en la nube de Ertas, desde un canvas visual. El entrenamiento implica subir ese dataset a Ertas, así que es el equipo quien decide qué entra: solo los repositorios que permite su política de propiedad intelectual, y sin secretos ni credenciales. Se pueden entrenar varios modelos especializados en paralelo: uno para los servicios de backend, otro para la base de código móvil y un tercero para las plantillas de infraestructura como código. Cada uno aprende los paquetes internos, los patrones de manejo de errores y las convenciones de su parte del código.

Cuando una ejecución da buenos resultados, el equipo la descarga desde Hub en formato GGUF para llama.cpp, Ollama o LM Studio, o como safetensors completos para vLLM y otros runtimes de servidor. El modelo funciona en los servidores de la empresa o en las máquinas de los desarrolladores, de modo que las solicitudes de autocompletado, el contexto de código que se envía con ellas y las sugerencias que vuelven se quedan dentro de la red. Los editores se conectan a él con cualquier extensión o gateway compatible con un servidor local o compatible con OpenAI. El modelo pertenece a la empresa y no depende de Ertas para funcionar.

Key Features

Example Workflow

Una empresa fintech con 200 ingenieros y un gran monorepo en Python y TypeScript quiere autocompletado de código con IA que respete sus propias convenciones, sin enviar su código de trading y de riesgo a APIs de IA de terceros. El equipo de ingeniería de plataforma escribe un script interno que extrae pares de código y comentario, firmas de funciones con docstrings y comentarios de revisión de pull requests del monorepo. El script omite los directorios que la política de propiedad intelectual marca como restringidos y elimina los secretos, y el resultado se convierte en un dataset JSONL que el equipo sube a Ertas Studio. En el canvas configuran dos ejecuciones de fine-tuning con LoRA sobre una base Qwen 2.5 7B, una con los ejemplos del backend en Python y otra con los del frontend en TypeScript, y dos ejecuciones equivalentes sobre Llama 3.1 8B para comparar modelos base. Las cuatro se entrenan en paralelo. El equipo descarga los modelos terminados, los prueba con un conjunto reservado de tareas de autocompletado internas y comprueba si las sugerencias importan los paquetes internos correctos y siguen las convenciones del equipo sobre manejo de errores y modo estricto de TypeScript. El mejor modelo de cada base de código se instala en un servidor con GPU del clúster de Kubernetes de la empresa, detrás de la VPN corporativa, servido con un runtime compatible con OpenAI que la extensión de editor de los desarrolladores ya admite. Las solicitudes de autocompletado y el código que se envía con ellas se quedan en el hardware de la empresa. Durante las semanas siguientes el equipo mide con qué frecuencia los desarrolladores aceptan las sugerencias y vuelve a entrenar con comentarios de revisión nuevos a medida que evoluciona la base de código.