API de IA para gerar código

Geração de código em produção

Exemplo: a equipe recebe uma tarefa pequena para adicionar exportação CSV a uma página de relatórios sem mudar a API pública. O modelo recebe a tarefa, convenções, arquivos afetados e comando de testes. Retorna um diff unificado e testes que comprovam o funcionamento.

A LLMFly AI é usada apenas para gerar. O aplicativo verifica a alteração numa cópia temporária de trabalho, executa lint e testes e retorna falhas como uma nova mensagem. A primeira resposta não é mesclada diretamente.

Como funciona o processo de geração de código

• Obtenha tarefa, convenções, arquivos e comando de testes.
• Peça um diff e os testes novos ou alterados.
• Aplique a alteração só numa cópia temporária de trabalho.
• Execute validação determinística e retorne falhas para uma única tentativa limitada de correção.
• Envie a alteração aprovada para revisão humana.

Chame gpt-5.6-terra pela LLMFly AI

Envie a requisição pelo servidor. Troque o conteúdo e os esquemas de exemplo pelos dados e ferramentas do aplicativo.

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 que gpt-5.6-terra é o modelo principal

Terra é a base porque é preciso entender o repositório e produzir alterações úteis, sem precisar do Sol em toda tarefa.

Use gpt-5.5 em alterações pequenas e isoladas só após passar nos mesmos testes. Passe ao Sol se cruzar limites da arquitetura ou o Terra falhar duas vezes no mesmo teste.

Testes de aceitação de geração de código

Falhas a tratar antes de publicar

• Testar apenas exemplos simples
• Aceitar código que compila mas não atende aos requisitos
• Dar contextos diferentes a cada modelo
• Ignorar o custo de revisão e correção

Saída e histórico de execução

Um diff aplicado sem conflitos e testes para cada critério de aceitação.

Registre ID do modelo e da requisição, tokens, novas tentativas, validação e decisão final em cada execução de produção.