BitDive продемонстрировал, как интеграция полного runtime-контекста позволяет LLM-ассистентам (например, Cursor или GitHub Copilot) не просто угадывать, а эффективно диагностировать и исправлять реальные баги в распределённых системах на продакшене.

Вместо традиционного подхода, когда AI видит только код, BitDive подключает LLM напрямую к данным о выполнении каждого метода: HTTP-запросы, SQL, параметры, возвращаемые значения и логи вызовов. Такой подход позволяет мгновенно обнаруживать проблемные места (например, N+1 запросы), визуализировать архитектуру микросервисов и диагностировать bottleneck-и с детализацией до отдельных методов и запросов.

• В кейсе с тестовым приложением BitDive выявил критическую N+1 проблему: вместо 1 запроса endpoint генерировал 243, что увеличивало время ответа почти в 10 раз.
• AI с runtime-контекстом предложил минимальное изменение (оптимизированный JOIN), после чего SQL-запросов стало 1, время ответа сократилось на 86%, а консистентность и функциональность сервиса осталась неизменной.
• BitDive позволяет не только быстро находить и устранять bottleneck-и, но и валидировать оптимизации по реальным данным, обеспечивая стабильность и прозрачность изменений.

Решение работает «из коробки» (без изменений в приложениях), интегрируется с Cursor и поддерживает распределённые архитектуры. Бесплатно для соло-разработчиков и домашних проектов.