Greptile公司联合创始人Daksh发现，一个名为Devin的AI代码生成工具的提交次数超过任何人类工程师。这引发了一个有趣的问题：AI生成的代码应该由AI本身来审查吗？虽然LLM是无状态的，每次调用都是独立的，但这并不意味着AI可以完美地审查自己的代码。AI生成的代码虽然提高了效率，但也可能引入人类难以发现的错误。研究表明，AI在发现某些类型的错误方面比人类更有效，尽管其准确率还有待提高。最终，文章认为，尽管AI代码审查并非完美，但它在发现AI自身引入的特定类型错误方面比人类更有效。
阅读更多
一位滑铁卢大学的实习生尝试使用LLM和Greptile API生成可以“吐槽”GitHub代码库的表情包。他发现，让LLM生成既符合技术细节又幽默风趣的文字并非易事。起初，直接让LLM生成吐槽文字效果不佳，过于通用。后来，他将任务拆分成代码分析和文字生成两步，先用Greptile API分析代码库找出具体问题，再用LLM生成针对性吐槽。图像生成方面，由于模型处理文字能力有限，他最终采用预设模板和node-canvas手动添加文字。整个过程充满了挑战，但也最终上线了reporoast.com，一个可以自动生成代码库吐槽表情包的网站。
阅读更多
Greptile公司开发的AI代码审查机器人最初因评论过多而饱受诟病。为了解决这个问题，他们尝试了多种方法，包括改进提示词、让LLM自我评估评论质量，但都收效甚微。最终，他们通过将团队以往的评论向量化，并利用向量数据库进行聚类分析，成功过滤掉与大量被否定评论相似的“无用”评论。这一方法将开发者处理评论的比例从19%提升至55%以上，有效降低了LLM产生的噪音。
阅读更多
本文介绍了软件工程团队一种有效的组织架构：将团队划分为“防御型”和“进攻型”。 “防御型”团队专注于处理客户问题、bug修复等短期事件驱动型任务，为“进攻型”团队构建起一座堡垒，使其能够专注于长期项目，例如开发新功能和进行代码重构。作者认为，这种方法可以最大限度地减少对开发人员的干扰，提高工作效率。
阅读更多
这篇文章探讨了代码库语义搜索的挑战。作者发现，与自然语言文本相比，直接对代码进行语义搜索效果不佳。这是因为代码和自然语言的语义相似性较低，而且代码文件中包含大量与查询无关的代码，这会降低搜索质量。作者建议在进行代码语义搜索时，应该先将代码转换为自然语言，并以函数级别而不是文件级别对代码进行分块，以提高搜索精度。
阅读更多