API de IA para generar código

Generación de código en producción

Ejemplo: el equipo recibe una tarea pequeña para añadir exportación CSV a una página de informes sin cambiar su API pública. El modelo recibe la tarea, convenciones, archivos afectados y comando de pruebas. Devuelve un diff unificado y pruebas que demuestran que la función funciona.

LLMFly AI solo se usa para generar. La aplicación comprueba el cambio en una copia temporal de trabajo, ejecuta lint y pruebas y devuelve los fallos como un mensaje nuevo. La primera respuesta no se fusiona directamente.

Cómo funciona el proceso de generación de código

• Recupera tarea, convenciones, archivos y comando de pruebas.
• Pide un diff y las pruebas nuevas o modificadas.
• Aplica el cambio solo en una copia temporal de trabajo.
• Ejecuta validación determinista y devuelve fallos para un único intento de reparación limitado.
• Envía el cambio aprobado a revisión humana.

Llama a gpt-5.6-terra mediante LLMFly AI

Envía la solicitud desde el servidor. Sustituye el contenido de ejemplo y los esquemas de muestra por datos y herramientas de tu aplicación.

curl https://app.llmfly.ai/v1/chat/completions \
  -H "Authorization: Bearer $LLMFLY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [
      {"role": "system", "content": "You are editing an existing repository. Return only a unified diff. Preserve public APIs, follow the supplied conventions, and include tests for every acceptance criterion."},
      {"role": "user", "content": "Add CSV export to the report page. Files and acceptance criteria follow below."}
    ]
  }'

Por qué gpt-5.6-terra es el modelo principal

Terra es la base porque hacen falta comprensión del repositorio y cambios útiles, sin necesitar Sol en cada tarea.

Usa gpt-5.5 en cambios pequeños y aislados solo tras superar las mismas pruebas. Pasa a Sol si se cruzan límites de arquitectura o Terra falla dos veces la misma prueba.

Pruebas de aceptación de generación de código

Fallos que resolver antes de desplegar

• Probar solo ejemplos sencillos
• Aceptar código que compila pero no cumple los requisitos
• Dar distinto contexto a cada modelo
• Ignorar el coste de revisión y reparación

Salida e historial de ejecución

Un diff que se aplica sin conflictos y pruebas para cada criterio de aceptación.

Registra ID del modelo y solicitud, tokens, reintentos, validación y decisión final en cada ejecución de producción.