Insights de otimização por IA

Como o Latchkey gera recomendações de otimização de workflow automaticamente, e como aplicá-las como pull requests.

A IA do Latchkey analisa continuamente seus workflows monitorados e produz recomendações concretas por workflow: melhorias de caching, etapas redundantes, dimensionamento correto de runners, correções de confiabilidade e muito mais. Você as revisa na página Optimization Insights e aplica as que quiser como pull request.

O ciclo de vida#

A propriedade importante deste ciclo de vida: nada muda em seus repositórios até você decidir que deve. A IA propõe; toda mudança é entregue como um pull request comum que você mesmo revisa e mescla.

Quando as recomendações são geradas#

A geração é automática e orientada por eventos; não há botão para pressionar. O agente executa:

• Após o backfill inicial de um repositório recém-monitorado.
• Quando um arquivo de workflow muda na branch de análise.
• Quando um workflow sofre falhas consecutivas repetidas, o que também dispara uma análise diagnóstica.
• Em um pico de custo (uma execução que custa muito acima da média recente).
• Em degradação de desempenho (uma execução que leva muito mais tempo que a média recente).

Um banner de processamento aparece na página enquanto uma análise está em andamento. Novas recomendações também disparam uma notificação se você tiver esse tipo habilitado.

As cinco categorias de recomendação#

Cada recomendação é específica, como "adicionar caching de npm ao job de build" ou "fixar GitHub Actions em SHAs de commit". Alguns exemplos do que cada categoria produz:

Lendo a página#

• Optimization Overview: um selo de saúde com contagens de prioridade (High, Medium, Low), a distribuição dos tipos de recomendação e a economia mensal estimada.
• Top Optimization Opportunities por repositório e por workflow.
• Insight Severity Distribution e Insight Resolution Rate.
• Tabela AI Optimization Insights: recomendações agrupadas por workflow, cada uma com uma pontuação de confiança.
• Trends: insights gerados ao longo do tempo e tendências de pontuação de confiança.

Trabalhando com pontuações de confiança#

Toda recomendação carrega uma pontuação de confiança de 0-100%, mostrada como um medidor segmentado e um selo codificado por cor: High com 80%+ de confiança, Medium com 50%+, Low abaixo de 50%. Uma forma prática de tratá-la: a pontuação define quanto do seu próprio esforço de revisão uma recomendação merece, não se ela vale a pena ser lida.

Além da pontuação, cada recomendação vem com uma descrição detalhada, etapas de implementação, evidências de apoio e riscos conhecidos. Recomendações de custo e desempenho adicionam uma comparação Current State vs Optimized State cobrindo Duração, Custo/execução, Taxa de sucesso e Runner, além de um valor de Potential Savings: dólares por mês, tempo economizado por execução e percentual mais rápido. Você sabe quanto vale mesclar uma mudança antes de agir.

Uma alavanca que você controla aqui: o agente analisa com sua Knowledge Base como contexto, então enviar runbooks e convenções dá a ele mais da verdade de base que um engenheiro gostaria de ter antes de propor uma mudança.

Dentro do painel de revisão#

Clique em View Insights em um workflow para abrir o painel de revisão em tela cheia. Ele tem duas abas: uma revisão por cartão e uma prévia final do arquivo. A visualização por cartão guia você por cada recomendação em três seções:

• Best Practice Insights: conselhos que não podem ser expressos como uma edição YAML automática. Marque cada item como "I've done this" ou "Not relevant".
• Code Change Insights: cada mudança é renderizada como um bloco de diff inline, linhas removidas em vermelho, linhas adicionadas em verde. Escolha "Apply with Latchkey" ou "Skip this" por mudança. Mudanças vinculadas que devem ser entregues juntas carregam um selo Group; aceitar uma aceita o grupo inteiro.
• Changes Requiring Manual Placement: se o arquivo de workflow mudou após a análise, uma mudança que não pode mais ser posicionada automaticamente é sinalizada aqui. Escolha "I'll apply this" e cuide dela manualmente.

O painel AI Insights Breakdown à direita mostra o detalhe completo da recomendação selecionada, com navegação anterior e próxima, a comparação de estado, a economia e o medidor de confiança. O cabeçalho do painel mantém uma contagem corrente de recomendações Available, Accepted e Declined, e o rodapé oferece Cancel, Select All e Apply.

A aba Final file preview renderiza o arquivo proposto exato com apenas suas mudanças aceitas, para que você veja precisamente o que vai chegar ao seu repositório. O efeito líquido: você revisa as mudanças da IA da mesma forma que revisa o PR de um colega de equipe, linha por linha, com contexto completo.

Aplicando recomendações como um PR#

Um hábito útil no painel#

Você não precisa aplicar tudo que um painel oferece de uma só vez. Um ritmo sugerido: selecione primeiro as recomendações de alta confiança e entregue-as como um PR pequeno e fácil de revisar, depois volte para os itens de confiança mais baixa individualmente. PRs pequenos são revisados e mesclados; um único PR que reescreve metade de um workflow tende a ficar parado.

Quando isso acontece, os itens listados não são trabalho perdido: o PR que foi aberto é seu para editar, então você pode posicionar essas mudanças restantes manualmente na mesma branch, usando a descrição da recomendação sobre o que ela muda e por quê como seu guia.

Como as recomendações são resolvidas#

A lista de insights se mantém atual por conta própria. Uma recomendação é resolvida quando:

• Você a aplica pelo fluxo de PR e mescla a mudança.
• O Latchkey detecta que você corrigiu o problema manualmente.
• O workflow muda de modo que o conselho não se aplica mais; recomendações obsoletas são resolvidas automaticamente para que parem de ressurgir.
• Uma falha recorrente deixa de recorrer (para insights de diagnóstico).

O resultado é uma lista em que você pode confiar: os itens abertos são reais, e você nunca precisa filtrar conselhos para problemas que já resolveu.

Diagnóstico de falhas#

Quando um pipeline falha, um agente de diagnóstico começa automaticamente: nada a configurar, nada a disparar manualmente. Ele lê os logs do job com falha, compara o arquivo de workflow em falha com a última execução bem-sucedida na mesma branch, e identifica o local exato do erro. O resultado chega a esta página como um insight Diagnostic que responde a três perguntas: o que quebrou, por que quebrou e o que fazer a respeito.

Cada diagnóstico classifica a falha como um de nove tipos: erro de build, falha de teste, problema de dependência, erro de ambiente, timeout, limite de recurso, erro de configuração, serviço externo ou teste instável. Ele sinaliza se a falha é recorrente ou pontual, e, como toda recomendação, carrega um selo de confiança.

Enquanto a análise executa, um banner ao vivo no topo da página mostra o que está acontecendo: um título como "Diagnostic agent is investigating a pipeline failure", um rótulo de estágio como "Finding root cause" ou "Generating recommendations", e uma barra de progresso. Quando o diagnóstico está pronto, você é notificado com o resumo da causa raiz e o número de correções sugeridas.

Onde a correção pode ser expressa como uma mudança YAML de workflow, você recebe uma mudança aplicável que revisa no mesmo painel de qualquer outra recomendação, com o diff à sua frente. Onde ela precisa de um humano, você recebe etapas manuais, claramente separadas para que nada seja mal aplicado silenciosamente.

Diagnóstico e autocorreção#

Os dois são complementares, não redundantes: a autocorreção resgata a execução em andamento, e o diagnóstico garante que a mesma falha não continue acontecendo.

FAQ#