Your PR Says the Tests Passed. Prove It. - Stephen Chin & Cassandra Chin
三句話摘要
TraceTune 框架透過圖數據庫和審計追蹤,將 AI 生成的 Pull Request 品質提升 40%,同時降低 50% 的 token 成本。 用嵌入式圖數據庫預構建證據關係圖,透過「鄰域簡報」為 agent 提供高質量上下文包,可同時實現 50% token 成本削減和 PR 品質 2-4 分提升。 傳統 AI PR 生成依賴會話上下文,隨著交互進行會不斷壓縮導致失真。TraceTune 改為讀取多個會話的完整審計日誌和執行痕跡,準確還原開發者的實際操作、執行順序和異常情況,例如捕捉到原 PR 錯誤聲稱「無 leader passing run」但實際執行了互斥的兩條命令這類細節差異。
重點整理
傳統 AI PR 生成依賴會話上下文,隨著交互進行會不斷壓縮導致失真。TraceTune 改為讀取多個會話的完整審計日誌和執行痕跡,準確還原開發者的實際操作、執行順序和異常情況,例如捕捉到原 PR 錯誤聲稱「無 leader passing run」但實際執行了互斥的兩條命令這類細節差異。
整合 Relate(Rust 寫的嵌入式圖數據庫)在本地構建「鄰域簡報」(neighborhood brief)——將代碼變更、測試結果、執行日誌及其因果關係連接成一個資訊包,預先提供給 agent,減少重複查詢和推理次數。
推翻直覺的模型分配:用低端模型(Haiku)進行機械式審查和事實檢驗,保留高端模型(Sonnet/Opus)進行創意寫作,因為低端模型即使迭代多次也無法生成人性化文本,只會變成檢查清單式內容。
圖數據庫提供本地計算(無 LLM 開銷),預構建完整的證據圖和上下文包,使編寫和審查的 token 開銷減少近 50%,同時提升 PR 可信度和準確性。
實用技巧與重點
- 工具與技術:
- TraceTune:開源 PR 生成框架,支援 Claude、Codex 等
- Relate:Rust 寫的嵌入式圖數據庫,本周在 Nodes 大會發佈
- PR Bench:用審計日誌、代碼和 LLM 評判的 PR 品質基準測試框架
- 支援生成漫畫說明 PR
- 具體數據:
- PR 品質評分提升:Claude 從 74-76 升至 82-86;Codex 類似提升
- Token 成本降低:近 50%
- Relate:本地內存數據庫,零 LLM 成本,只有計算與存儲開銷
- 模型分配策略:
- 編寫者:高端模型(Sonnet/Opus/Terra 級別)
- 審查者:低端模型(Haiku)
- 圖計算:本地執行,預構建證據圖與鄰域簡報
- PR 改進內容:
- 記錄 CWD(工作目錄)狀態,說明 CD 命令前的環境
- 標註異常(如 CD 目標在倉庫內或涉及 root)
- 完整的測試覆蓋信息(如 71 個測試通過)
- 溯源歸因和代碼行關聯
結論
用嵌入式圖數據庫預構建證據關係圖,透過「鄰域簡報」為 agent 提供高質量上下文包,可同時實現 50% token 成本削減和 PR 品質 2-4 分提升。
完整解析
AI 工程師社區面臨一個困境:雖然 AI 開發速度快,但生成的 PR 卻經常被拒。問題不在代碼本身,而在 PR 文檔中信息不完整或不準確。傳統方法中,當 AI agent 被要求寫 PR 時,它只能讀取當前會話的上下文;但隨著交互進行,上下文窗口被壓縮,信息逐漸丟失或失真。
TraceTune 的創新在於改變了信息收集方式。它不是依賴膨脹的會話上下文,而是透過審計日誌追蹤機制,讀取 agent 在多個會話中的完整操作記錄。這包括執行的命令、發生的異常、測試結果等實時事件。例如,原 PR 聲稱「沒有 leader passing run 被記錄」,但審計日誌顯示實際執行了 bun test 和 bun x tsc,而這兩個命令不能並行執行——這種細節差異傳統方法往往忽視。
為了進一步提升效率,TraceTune 與嵌入式圖數據庫 Relate 整合。Relate 在本地(無 LLM 開銷)預先構建「證據圖」,即代碼變更、測試結果、執行命令及其因果關係的圖結構。Agent 在編寫 PR 前,透過「鄰域簡報」獲得一個精心組織的資訊包,包含所有相關事實及其源頭和關係——比如 CWD 狀態、CD 異常、測試結果等都被標註上溯源和代碼行關聯。
這種預處理大大減少了 agent 重複查詢和推理的次數。配合聰慧的模型分配策略——使用低端模型(Haiku)進行機械式審查和事實檢驗,保留高端模型(Sonnet/Opus)進行真正的創意寫作——整個流程的 token 開銷降低了近 50%,同時 PR 品質反而提升了 2-4 分(百分制)。
這一方案的通用性很強。任何涉及數據、關係和證據的 agent 任務都可應用相同的原理:用本地圖數據庫預構建高質量的上下文包,可同時降低成本、提升品質。


