跳至正文
#GitHub
今天11月13日星期五3 条
  1. Hacker News · AI48

    Loose Ends：針對 AI 代理遺留的未使用程式碼進行存活性檢查

    Loose Ends 是一款新的 CLI 工具，用來檢查某次變更中新增或改動的程式碼是否仍可從真實的進入點抵達，並標記出孤立的新增內容、新近變成孤立的程式碼，以及被取代卻仍留在原地的實作。它會為 TypeScript、JavaScript、Python 和 Java 建立存活性圖，且只回報該次變更所造成的問題，因此既有的死程式碼永遠不會阻擋拉取請求。可透過 npm 安裝，需要 Node.js 20 或更新版本以及 git。

  3. GitHub Blog · AI & ML58

    GitHub 指南說明如何打造可在 Claude Code、Cursor 與 Copilot 上執行的 agent skills

    GitHub 發布了一份 agent skills 實用指南，agent skills 是以 SKILL.md 檔案為核心的版本化目錄，用來描述何時以及如何執行可重複的任務。該指南以兩個範例——用於對 AI 生成程式碼進行對抗式驗證的 Proof Agent，以及用於多技能資料管線的 Data Forge——說明技能如何共用專案 manifest、重複使用同一條執行路徑，並在每個階段設置人工核准。指南也介紹了一個打包腳本，可從單一 skills 來源為 Claude Code、Cursor 與 GitHub Copilot 產生各用戶端專屬的檔案。

11月11日星期三
  1. MarkTechPost40

    Marktechpost AI 推出 GPU 排行榜並發布 Deploy It Chrome 擴充功能

    Marktechpost 推出了 GPU Leaderboard，這是一個免費的雲端 GPU 價格比較網站，針對 AI 推論，依 $/GPU-hr 對來自 24 家供應商的 201 個即時報價進行排名。其成本計算器可計算包含閒置時間的完整執行成本：一個 8×H100、72 小時、利用率 90% 的工作，價格從 Latitude 的 $967.68 到 CoreWeave 的 $3,545.28 不等。配套的 Deploy It Chrome 擴充功能可在 Hugging Face 模型頁面和 GitHub 儲存庫上估算 FP16、INT8 和 INT4 的 VRAM，並顯示最便宜且適配的 GPU。

11月7日星期六
  1. GitHub Blog · AI & ML38

    超越程式碼生成：開發者的代理式工程指南

    GitHub 發布了一份代理式工程開發者指南，說明 Copilot 如何支援軟體工作的規劃、建置、驗證與觀察階段。該指南引用 GitHub 今年十月單週 12 億次提交的數據，較一年前增加超過 400%，並引用 Faros AI 的一項研究發現：隨著團隊從低 AI 採用度轉向高 AI 採用度，拉取請求在審查階段停留的時間延長了 441%。指南詳細介紹了多項功能，包括 Slack 或 Teams 中的 Copilot、Plan Mode、GitHub Agentic Workflows、雲端沙箱、工作階段持續性、共享記憶體、Copilot Dreaming 以及 Copilot Fusion。

11月5日星期四
  1. The Pragmatic Engineer22

    擴展 Slack 與 GitHub：Maude Lemaire 談後端效能與資料庫分片

    Maude Lemaire 是首席工程師，也是《Refactoring at Scale》的作者，她在 The Pragmatic Engineer 播客中分享了擴展 Slack 與 GitHub 的內部視角。她花了近八年時間領導 Slack 的後端效能基礎設施團隊，之後於 2024 年加入 GitHub 處理資料庫擴展問題，最近則在 Cursor 從事效能工作，包括首個 token 的延遲時間。她解釋了 Slack 為何限制 23 個自訂表情符號以避免驚群效應、為何用樸素方式對 50 萬個 WebSocket 連線進行負載測試每次執行要花費 15 萬美元，以及為何 GitHub 的 Active Record 抽象層與分散式查詢使其資料庫分片上限為 16 個。

10月27日星期二
  1. Replit Blog75

    Replit Cloud Agents 現在讓非工程人員也能參與公司程式碼庫

    Replit 為既有儲存庫推出 Cloud Agents，讓團隊中任何人都能用自然語言描述變更，並由代理在 GitHub 或 GitLab 開啟經過測試的提取請求，所有 Pro 與 Enterprise 客戶皆可使用。代理會在隔離的雲端沙箱中執行每項變更、點擊操作運行中的應用程式，並將截圖與影片附加到 PR，而共享環境則為每位貢獻者提供預先配置的設定，並從主分支更新。Replit 同時推出早期存取的自我改進工作區記憶，可將審查意見轉化為由工程師核准的團隊技能，以及一項 Slack 整合，讓使用者在討論串中提及 @Replit 即可發起變更。

    推薦理由：Replit 把 Cloud Agents 接入企業既有程式碼庫，讓非工程人員以帶測試影片的 PR 形式提交改動，展示了 AI 編碼工具向團隊協作流程延伸的一種路徑。

10月21日星期三
  1. GitHub Blog · AI & ML22

    三位 Java Champion 如何用 GitHub Copilot 提升生產力

    三位擁有超過十年 Java 經驗的 Java Champion 分別分享了他們在生產環境與開源工作中如何使用 GitHub Copilot。Vlad Mihalcea 在兩天內（而非數週）建置了一個 Hypersistence Optimizer 網頁應用程式，並以他的 65 篇文章訓練自訂技能，使其符合他的寫作風格。Patrick Baumgartner 用 Copilot 將 15 份簡報中約 900 張教學投影片從 Reveal.js 遷移到 Marp，並透過截圖比對驗證結果。

10月20日星期二
  1. GitHub Blog · AI & ML26

    如何在 VS Code 中繼續 GitHub Copilot 應用程式工作階段

    GitHub Copilot 應用程式工作階段現在可以直接在 VS Code 中開啟，並延續對話、程式碼變更與工作樹，讓開發者無需重新開始即可檢視差異、手動編輯並在本機測試。本教學逐步說明如何開啟工作階段、逐行檢視代理的變更、在 Copilot 側邊欄中繼續同一段對話，以及將更新推送至該工作階段的提取要求。

10月14日星期三
  1. GitHub Blog · AI & ML38

    GitHub 的秘密偵測模型：以更少雜訊找出更多秘密

    GitHub 訓練了一個微調過的 ModernBERT 分類器，用來取代先前以 LLM 為基礎的通用秘密偵測流程，將擁有者加權的警示精確率提升了 11.5%，並把推送後掃描執行時間的中位數縮短了 86%。這套兩階段流程先用正規表達式產生候選，再進行情境感知分類，相較於遠端 LLM 呼叫，也讓服務成本降低了超過 98%。效率的提升使得把通用秘密偵測擴展到推送保護變得可行，能在變更被推送前就回傳結果。

10月13日星期二
  1. GitHub Blog · AI & ML36

    GitHub Copilot 入門：讓 Copilot 認識你程式碼庫的四種方法

    GitHub 的 Copilot for Beginners 系列說明了四種為 Copilot 提供專案脈絡的方式：在 `.github/copilot-instructions.md` 中設定自訂指示，並在 `.github/instructions` 中放置路徑專屬檔案；在 `.github/skills` 中定義代理技能；在 `.github/agents` 中設定自訂代理；以及透過 MCP 伺服器將 Copilot 連接至 Playwright 等外部工具。文章逐一介紹每種機制及其組合方式，並指引讀者前往社群 Awesome Copilot 集合取得現成範例。

10月8日星期四
10月5日星期一
  1. GitHub Blog · AI & ML58

    GitHub 發布 ReviewBench，一個用於 AI 程式碼審查的開放基準

    GitHub 發布了 ReviewBench，這是一個用於 AI 程式碼審查代理的開放基準，建構於橫跨 19 種語言的 219 個公開 pull request 之上，其語言與儲存庫規模分布仿照 1.039 億個 GitHub pull request 設計。黃金集彙整了人類審查者、作者後續提交、靜態分析以及多個前沿 LLM 的發現，並由 Claude Sonnet 5 依據已發布的評分標準進行評分，資深工程師則獨立重新標註了每一項發現，一致率達 96.6%。GitHub 表示，其對 Copilot 程式碼審查的離線評估預示了生產環境 A/B 測試的方向，其中已處理率上升 8.0%、召回率上升 13.6%，每次審查成本下降 8.0%。

10月2日星期五
  1. GitHub Blog · AI & ML25

    GitHub 部落格：AI 重塑工作型態，開發者必備的三項技能

    GitHub 部落格指出，隨著 AI 改變開發者的工作方式，開發者應強化三項技能：引導 AI 代理而不只是使用它們、批判性地審查 AI 產出而非輕信第一個答案，以及利用 AI 節省下來的時間處理更廣泛的問題。文中引用 GitHub Copilot 內建的 Rubber Duck 代理，它會用第二個模型在開發者繼續推進之前，對計畫、程式碼與測試提出批判。