跳到正文
只看一手#GitHub
今天10月10日周六2 条
10月9日周五
  1. GitHub Changelog22

    GitHub Copilot 代码审查新增组织计费选项与权限控制

    GitHub Copilot 代码审查新增组织计费选项与权限控制：组织所有者可将拥有 Copilot 许可证成员的代码审查请求计入组织成本中心，而非消耗成员个人配额，该选项需为组织启用 AI Credits 付费使用，并可设置预算。组织所有者与仓库管理员还可开启设置，仅允许由本组织或企业提供 Copilot 许可证的用户发起审查请求，开启后外部或个人许可证将无法请求审查。

10月8日周四
  1. GitHub Changelog62

    Claude Haiku 5.5 在 GitHub Copilot 全面可用

    Anthropic 最新的轻量模型 Claude Haiku 5.5 已在 GitHub Copilot 全面可用，面向子智能体、快速编辑和终端任务等高频工作。

    推荐理由：原文给出 Haiku 5.5 在 Copilot 的可用范围与计费方式，便于团队评估是否把它用于子智能体和终端任务。

  2. GitHub Blog · AI & ML60

    GitHub 推出基于 ModernBERT 的通用密钥检测模型，扩展推送保护

    GitHub 发布与 Microsoft Applied Sciences 联合微调的分类器，用代码上下文识别无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，据称能把可拦截的密钥数量提升一倍以上。

    推荐理由：GitHub 公开了密钥扫描的九季度数据和新分类器，读者可据此判断推送前拦截能力与 AI credits 成本。

  3. GitHub Changelog60

    GitHub 推出专用模型检测泄露密钥，覆盖推送保护与 Copilot 安全审查

    GitHub 发布专用于泄露密钥检测的微调模型，可读取上下文代码识别无固定格式的密码等凭据，且不生成代码或文本。现有 AI 检测密码告警已自动升级到新模型，推送保护中的 AI 密钥检测进入私有预览，Copilot CLI 与 Copilot App 的 /security-review 命令也将加入该检测。

    推荐理由：GitHub 把微调后的密钥检测模型接入推送保护和 Copilot 安全审查，开发者可据此判断是否开启并预估 AI Credits 消耗。

10月5日周一
  1. GitHub Blog · AI & ML71

    GitHub 发布 AI 代码审查开放基准 ReviewBench

    GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub PR 的分布特征构建，包含 219 个 PR、覆盖 19 种语言，数据集与评分规则公开。

    推荐理由：GitHub 公开了代码审查基准的数据集、评分规则和自测入口，团队可据此对比不同审查智能体并复现结果。

10月2日周五
9月26日周六
  1. GitHub Blog · AI & ML58

    GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流

    GitHub Copilot 应用中的 canvas 是一种可自定义界面，用户与智能体共享同一份状态，可做成看板、issue 分诊板、发布清单或仪表盘。创建时无需写代码或手动设计，在智能体会话中输入 /create-canvas 技能并用自然语言描述工作流、界面可做的操作和智能体可做的操作即可，生成的界面会显示在右侧面板。

9月25日周五
  1. GitHub Blog · AI & ML38

    GitHub Copilot 的 canvas：当聊天框不是与 AI 交互的正确界面

    GitHub Copilot 应用推出 canvas，一种运行在应用内、无浏览器外壳的全栈应用，可与 Copilot 智能体双向通信，也能调用第三方 API 并在本地执行代码。作者认为聊天框只适合未知任务，明确任务下应让智能体生成可复用工具，例如用 canvas 管理 Winget 包或操作 SQLite 数据库，避免反复消耗 token。

  2. GitHub Blog · AI & ML71

    GitHub Security Lab 发布 Fuzzing Taskflow 智能体

    GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。

    推荐理由：GitHub 把模糊测试的 harness 编写、覆盖率追踪和崩溃分诊交给 LLM 智能体，可参考其任务流与工具分层设计。

9月24日周四
  1. GitHub Blog · AI & ML28

    GitHub Copilot 应用如何渲染超大 pull request

    GitHub Copilot 应用重建了 pull request 视图，用一个包含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 PR 做压力测试。其做法是把文档高度拆成确定性的代码几何与动态评论块几何两部分，评论高度按需惰性测量，修正幅度小且锚定在用户当前浏览位置。

9月18日周五
  1. GitHub Blog · AI & ML22

    GitHub Podcast 拆解五大 AI 热门观点：该不该读 AI 代码、RAG 是否已死、Skills 是否杀死 MCP

    GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的专家经验，后者是智能体连接工具与数据的标准；RAG 并未消亡，检索能让模型更接近答案、减少 token 浪费。节目还讨论了企业招聘看重的是使用 AI 的判断力，以及微调需求往往暴露的是代码库可维护性问题。