地狱般的拉取请求描述：我为何不再追求完美的人工智能自动化

2026西湖龙井茶官网DTC发售：茶农直供，政府溯源防伪到农户家 

我厌倦了撰写拉取请求的描述。每一个拉取请求都需要一份摘要，说明变更内容、变更原因以及如何测试。无论我多么努力地保持自律，我总是要么匆忙应付，要么遗漏细节。于是我想：“不如用人工智能来自动化这个过程吧。”

随后，我陷入了一系列涉及应用程序接口密钥、本地模型和错误尝试的复杂困境中。以下是我学到的经验。

梦想：一条 cURL 命令搞定一切

我设想有一个 Git 钩子，在我创建拉取请求后运行，将差异内容提供给大型语言模型，并自动生成描述。很简单，对吧？我从开放人工智能公司的应用程序接口开始入手，因为这是显而易见的选择。

import openai

def generate_pr_description(diff_text):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是一位资深开发人员。请将以下 git 差异总结为拉取请求描述。重点关注意图、变更和测试说明。"},
            {"role": "user", "content": diff_text}
        ]
    )
    return response.choices[0].message.content

它奏效了。生成的描述实际上相当不错。但一周后，我注意到几个问题：

• 成本。即使使用 GPT-3.5，每个差异令牌的费用也会累积。对于一个个人项目来说，我每周要花费 5 到 10 美元。
• 延迟。开放人工智能公司的应用程序接口调用需要 2 到 5 秒。对于少量请求来说还可以，但在迭代开发时就很烦人。
• 隐私。我不喜欢将内部代码差异发送给第三方，尽管这可能没什么大问题。

于是我开始寻找替代方案。

本地化的迂回之路

我尝试使用奥拉马在本地运行一个较小的模型。想法是让所有数据都保留在我的机器上，每次请求零成本。

ollama run codellama:7b

我编写了一个包装器，读取差异内容并将其管道传输到本地模型：

import subprocess

def local_summarize(
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。