24小时热榜

看起来又出现了一轮Zendesk的邮件垃圾信息。我在过去半小时内收到了数百封。

我整天在审查PR（拉取请求），基本上已经停止仔细阅读它们了。有人提交一个2000行的PR，我只是滚动查看，发现大部分是AI生成的React组件，留个评论，然后合并。我对此感到不安，直到我意识到我团队中的每个人都在做同样的事情。 问题在于差异（diff）的格式不对。一个PR可能会改变三个按钮的行为。盯着绿色和红色的行来理解这一点简直疯狂。 我们构建这个工具的核心原因是，我们觉得今天的产品是基于过去的假设构建的。100倍的代码和相同的审查系统意味着需要100倍的人类关注。人类的注意力无法扩展到满足这种需求，因此我们构建了不同的东西。人们与视频内容的互动明显比与文本内容更为投入。 因此，我们通过强化学习训练并构建了一个代理，它在你打开PR时观察你的预览部署，点击更改的内容，并在PR中发布一个视频。 最困难的部分是找出更改的代码在运行的应用程序中的实际位置。一个差异可能会说Button.tsx第47行已更改，但这并不能告诉你如何找到那个按钮。我们遍历React的Fiber树，每个节点都映射回源文件，因此我们可以追踪到DOM元素的边界框的更改。然后我们对模型在其中展示和互动给予奖励。 显然，这只适用于React，因此在推广到所有语言时我们需要更加聪明。 我们训练了一个强化学习代理与这些组件互动。简单的奖励机制：将修改的内容进入视口得分，点击或输入得双倍分。它大约30%的行为是奇怪的，比如部分表单提交、中途按下Esc键，因为真实用户会这样做，而礼貌的AI模型不会自己测试这些情况。 这可以捕捉到单元测试完全遗漏的内容：z-index错误，即某些东西渲染了但你无法点击，滚动容器将你困住，处理程序静默失败等。 目前存在的问题包括：功能标志、存储不同用户状态，以及任何需要未提供上下文的内容。 欢迎免费试用： [https://morphllm.com/dashboard/integrations/github](https://morphllm.com/dashboard/integrations/github) 演示视频： [https://www.youtube.com/watch?v=Tc66RMA0nCY](https://www.youtube.com/watch?v=Tc66RMA0nCY)