CNCF: KubeStellar AI agenti postižu 81 % PR acceptance kroz 91 % test coverage i 63 CI/CD workflow-a

Andy Anderson, Chief Maintainer KubeStellar Console-a, objavio je 14. svibnja 2026. na CNCF blogu detaljnu case study o korištenju dva paralelna AI coding agenta na produkcijskom Kubernetes projektu. Rezultat: 81 % pull request acceptance rate kroz 82 dana — empirijski podaci koji opovrgavaju popularnu predodžbu da AI agenti generiraju kod niske kvalitete.

Koja je infrastruktura iza brojki?

KubeStellar tim koristi mjeriteljski-težu infrastrukturu: 63 CI/CD workflow-a, 32 nightly test suite-a, 91 % test coverage kroz 12 shardova (paralelna test execution). Vremena su impresivna: bug-to-merge timeline ~30 minuta, feature request-to-PR ~1 sat. Brzina nije samo rezultat AI agenta — masivan dio dolazi iz automatiziranog test cycle-a koji potvrđuje da agent PR ne lomi postojeće funkcionalnosti.

Kojih je pet razina AI codebase zrelosti?

Anderson definira pet stepenica:

1. Instructed — dokumentirati recurring korekcije u CLAUDE.md i development guides-ima, daje agentu kontekst koji eliminira ponavljajuće greške
2. Measured — implementirati sveobuhvatno testiranje kao trust layer; nema autonomije bez merenja
3. Adaptive — automatizirati na temelju tracked metrika (auto-QA koji se pokreće 4× dnevno)
4. Self-Sustaining — pustiti artifakte (instrukcije, testovi, workflow-i) da vode ponašanje agenta
5. Questioning — agent pita “zašto” umjesto “što” za sistemska poboljšanja, ne samo bug fix-eve

Što Anderson smatra najvažnijim?

Anderson eksplicitno naglašava: “The surprise…was not the extent of the model’s capabilities, but the heavy lifting the surrounding codebase had to perform.” Pristup pomiče naglasak s odabira boljeg modela na izgradnju bolje infrastrukture mjerenja. Differentiator je test determinizam, feedback brzina i artifakt dokumentacija — sve što dolazi prije AI agent integracije.

Ključna lekcija: measurement precedes automation. Anderson dodaje: “Flaky tests erode autonomous workflows far more severely than human workflows” — flaky test koji čovjek toleriraje (ručno re-run) potpuno blokira AI agent koji bez tog signala ne može odlučiti je li PR ispravan.

Položaj u širem AI agentic trendu

Case study dolazi u trenutku kad CNCF, LangChain (Managed Deep Agents, 13.5.) i GitHub (Copilot Cloud Agent REST API, 13.5.) paralelno guraju agentic coding u produkciju. KubeStellar primjer pokazuje što se zaista zahtijeva za autonomni contribution model: ne primarno AI model upgrade, već codebase-level disciplina koju većina projekata nema. Anderson efektivno opisuje 18-mjesečni put kroz koji projekt mora proći prije nego što “AI agenti rade kao članovi tima” postane realnost.