Medgidia
PulseAugur coverage of Medgidia — every cluster mentioning Medgidia across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Claude 代码实验表明,一句话可大幅降低 AI 代理成本
进行了一项实验,以评估 ADR 搜索技能对 karasu 文本建模语言的有效性。实验比较了三种条件:原始 karasu 系统(R)、带有 ADR 搜索技能的 karasu(RS)以及在 CLAUDE.md 中加入一句指示其不读取索引文件的 karasu(RN)。结果表明,所有条件下的正确率都很高,但 RN 条件相比 RS 将成本降低了约三分之二,脚本节省了剩余的成本。ADR 搜索技能将作为 Claude 代码插件集成到 adr-too…
-
Karasu 开发者通过 GitHub 工作流和代理技能简化 PR 合并
karasu 系统架构语言的开发者更新了其合并流程,以提高效率和可靠性。低风险的拉取请求(PR)现在由 GitHub 工作流处理,而不是直接在代理会话中处理,这可以防止代理的分类器或会话中断导致合并延迟或阻塞。高风险的 PR 需要手动审查,现在由专门的技能来管理其合并前的检查。此更改引入了一个新的用于合并的 GitHub App,旨在简化开发工作流。
-
开发者使用 Claude Code 管理 495 个 ADR,凸显回顾被拒绝想法的价值
一位独立开发者记录了他在为自己的工具 karasu 撰写 495 个架构决策记录 (ADR) 时使用 Claude Code 作为联合作者的经验。开发者发现 Claude Code 在回忆和引用先前被拒绝的设计提案方面特别有效,这有助于塑造新的设计。学到的一个关键教训是,在人工智能辅助设计过程中加入一个专门检查过去决策(尤其是拒绝的决策)的步骤,以避免重复错误或冲突。
-
开发者使用 AI 代理为系统架构语言自动化代码检查
karasu 系统架构语言的开发者详细介绍了他们本周的进展,重点是将 AI 代理集成到他们的开发工作流程中。本周合并了 114 个拉取请求,其中大部分手动代码更改检查已实现自动化并移至 CI。为处理测试和渲染等效性引入了新的检查,旨在捕获意外的回归。虽然这些自动化检查可以处理明显的错误,但人工审查仍然用于识别故意隐藏更改的行为。
-
AI 改变代码审查:代理处理初步审查,人类专注于“品味”
在人工智能辅助开发的时代,开发人员正在探索代码审查的新工作流程。一种方法是采用风险分级系统,由 CodeRabbit 等代理进行初步审查,人类的监督程度根据 PR 的复杂性和潜在影响而异。另一种观点强调,虽然人工智能在捕获机械错误方面表现出色,但人类审查者在评估代码“品味”、架构决策和项目整体方向方面仍然至关重要。
-
使用 Claude Code 和 CodeRabbit 优化 AI 代码审查流程
作者详细介绍了他们使用 Claude Code 和 CodeRabbit 为代理驱动的拉取请求调整 AI 代码审查流程的经验。他们遇到了 CodeRabbit 审查周期的速率限制和效率低下问题,因此修改了工作流程,在提交到 Web 审查之前进行本地 CLI 检查。作者还讨论了在 Claude Code 中实现自动化钩子,以强制执行这些步骤并防止在主分支上进行未提交的更改,从而改进了整体开发流程。
-
AI代理辅助 karasu 的 Dependabot 修复和代码审查
开发者详细介绍了在 karasu 系统架构语言开发中使用 AI 代理进行 Dependabot 修复和代码审查的经验。他们利用 Claude Code 和一个名为 'hane' 的自定义技能来分析和推荐 Dependabot 拉取请求的操作,了解了开放 PR 限制和 lockfile 重建的影响。此外,他们审查了 CodeRabbit 的 261 项发现,识别并纠正了导致代码审查误报的规则措辞问题。
-
Karasu language v2.0 通过焦点画布和 SVG 优化增强了图表绘制功能
Karasu,一种用于系统架构的文本建模语言,已发布其 .krs 语言的 2.0 版本。此次更新引入了封闭词汇表,使标签和注释特定于工具,以防止含义漂移。它还通过用于密集图表的焦点画布和改进的键盘导航来提高图表的可读性。此外,Karasu 通过减少 97% 的元素优化了 SVG 输出,并修复了 Unicode 字符处理问题。
-
新的LoFi模型通过位置感知增强医学视觉基础模型
研究人员开发了一种新的医学视觉基础模型LoFi,旨在改进对临床有意义且空间一致的细粒度视觉表示的学习。该模型通过结合图像级语义监督和用于空间一致性的自监督学习来解决现有方法的局限性。LoFi利用轻量级大型语言模型和接地目标,在没有显式块级正则化的前提下实现空间一致性,在短语接地和视觉问答等任务中表现优于其他模型。