AI एजेंटों के 180 इंस्टेंसेज़ से एक दिन में iOS ऐप के 55 बग पकड़ने वाली वैलिडेशन पाइपलाइन

21 भाषाओं में चल रहे iOS SNS ऐप (लगभग 1.3 लाख lines) को LLM एजेंटों से audit करने के लिए बनाई गई पाइपलाइन को एक दिन तक चलाने का रिकॉर्ड है.

• बग खोजने वाले finder और validator की भूमिकाएँ अलग रखीं, और निर्णय का मानदंड बहुमत नहीं बल्कि "खंडन में विफलता" रखा, जिससे 0 false positive बने
• खोज रिपोर्ट JSON schema के अनिवार्य output में ली गईं, जिससे hallucinated रिपोर्टों को संरचनात्मक रूप से रोका गया
• पहले से ज्ञात बगों की सूची prompt में inject करके दोहराव वाली खोज को रोका गया, और नए bug 0 आने तक rounds दोहराने वाली termination condition इस्तेमाल की गई
• परिणाम: 6 rounds, लगभग 180 agents, 55 confirmed bugs की मरम्मत, और validation चरण ने 3 आधे-अधूरे fixes भी पकड़े

किस lens से fan-out किया गया, ठीक किए गए code पर फिर से खंडन क्यों कराया गया, जैसी design decisions के साथ-साथ static audit जिन चीज़ों को नहीं देख पाता (सीमाएँ), उन्हें भी साथ में समेटा गया है.