Deteção de Code Smells em JavaScript utilizando LLMs em ambiente local

Code smells impactam negativamente a manutenibilidade e evolução do software. Embora LLMs demonstrem potencial na análise estática, a dependência de modelos proprietários em nuvem levanta preocupações sobre privacidade de dados e propriedade intelectual. Este artigo investiga a eficácia da execução local de um LLM (gpt-oss-20b) na detecção de code smells em projetos JavaScript. Realizou-se um estudo com um dataset de 840 instâncias, comparando três estratégias de engenharia de prompt: Zero-Shot, Role-Based e Chain-of-Thought. Os resultados indicam que, embora o modelo detecte Long Method com alto desempenho, a detecção de God Class é significativamente mais desafiadora devido a limitações de contexto e que a estratégia Chain-of-Thought é crucial para reduzir falsos positivos. As descobertas sugerem que LLMs locais são uma alternativa viável e segura para revisão de código, desde que aplicadas técnicas adequadas de prompt.