最新

我对改进代码审查很感兴趣，因为目前的审查效果仍然很差，因此我正在研究一个可以附加到本地大型语言模型（LLMs）/ API 调用的分类层，以便进行更好的代码审查。 大多数审查工具只是将拉取请求（PR）的差异直接输入到模型中，希望它能找到错误。模型看到的是添加/删除的行、代码块头和上下文行，但它并不知道它正在查看的函数是由其他 x 个函数在 y 个文件中调用的，或者这里的类型变化会破坏三层目录之外的接口。 分类层使用树解析器将源代码解析为抽象语法树（AST），提取出语义上有意义的实体（函数、类、方法、结构体），并构建跨文件的依赖图。它根据传递的影响范围对每个更改的实体进行排名，减少了 80-90% 的审查范围，并显著提高了对错误的关注度。虽然我相信它在某些情况下可能会出现分布外的问题，但对于快速的代码审查，这种权衡是值得的。 一旦你将问题缩小到“这是这个 PR 中 n 个风险最大的实体”，你就不再需要一个前沿模型。你需要的是一个只了解你代码的模型。一个在你的代码库上进行微调的 7B 模型了解你的模式、你的约定和你常见的错误。结构性分类处理了全局推理，使得你的模型能够很好地进行判断。 命令： - inspect diff - 实体级别的差异，带有风险评分和影响范围 - inspect predict - 显示哪些未更改的实体有可能会导致问题 - inspect review - 结构性分类 + LLM 审查 - inspect pr - 审查 GitHub PR 支持 21 种语言解析器。使用 Rust 编写。开源。 GitHub: https://github.com/Ataraxy-Labs/inspect

我们通过解锁云端未使用的计算资源，使OpenClaw的成本降至原来的1/10，打造出适合自主推理的架构。我们无缝整合了云端未使用的虚拟机和硬件用于推理。如果您希望提前体验OpenClaw在未使用的云计算资源上的应用，请联系我们：hello@openinfer.io。

大家好！我开发了 VoicePlan.it——一个以语音为主的战略规划工具，采用人工智能技术。 这个想法是：与其在 ChatGPT 中输入提示并得到一大段文本，不如与一个 AI 合作伙伴通过对话来讨论你的项目计划。这个 AI 会提出问题、挑战假设，并在对话进行的同时实时撰写结构化的计划文档。你可以随意交谈和规划！ 最新的功能是 MCP 集成——一旦你的计划完成，你可以通过云 MCP 服务器将其连接到你的 AI，这样你的助手就能从你的规划文档中获取完整的上下文。 非常希望得到 HN 的反馈——特别是在 MCP 方面，这似乎是与这个社区最相关的部分。 <a href="https:&#x2F;&#x2F;voiceplan.it" rel="nofollow">https:&#x2F;&#x2F;voiceplan.it</a>