ruff
PulseAugur coverage of ruff — every cluster mentioning ruff across labs, papers, and developer communities, ranked by signal.
- 2026-07-25 product_launch Ruff, a Python linter by Astral, released version 0.16.0 with a significant increase in default rules. 来源
4 天有情绪数据
-
Claude Code 提示:为效率而结构化
本文提供了一份指南,介绍如何为 AI 编码助手 Claude Code 创建更有效的提示。作者建议将提示结构化为两个不同的块:“要提供的上下文”部分,用于语言、测试命令和范围等基本、不可猜测的信息,以及用于特定任务的“正文”部分。这种先提供上下文的两块方法有助于 Claude Code 更好地理解约束,并减少迭代修正的需要,从而为重复性编码任务节省大量时间。
-
Claude Code 权限:平衡安全与速度
Claude Code 工具提供了一个权限系统来控制其 shell 命令的执行,允许用户定义哪些命令可以自动运行、哪些需要提示以及哪些被完全拒绝的规则。该系统旨在平衡速度与安全,防止 AI 执行潜在的有害操作。另一种选择 `--dangerously-skip-permissions` 会绕过所有权限检查,但由于存在重大的安全风险,强烈不建议常规使用,仅推荐在隔离环境中使用。
-
Ruff 集成多个 Python linter,提供 10-100 倍的速度提升
Ruff 是一个由 Rust 驱动的 Python linter 和 formatter,与 flake8 和 Black 等传统工具相比,速度有了显著提升。它将 flake8、isort、pydocstyle 和 pyupgrade 等多个 linter 和 formatter 的功能集成到一个单一的高效工具中。这种整合简化了配置,并大大缩短了 CI 管道中的执行时间,完成任务所需的时间仅相当于 flake8 等单个工具启动所需的时间。
-
新的AI Linter 'subedit' 格式化Agent的注释和文档
一款名为subedit的新工具已被开发出来,它是一个原生AI的Linter和格式化工具,专门用于AI Agent编写的注释和文档。与为人类开发者设计的传统Linter不同,subedit能够处理AI模型生成文本的独特方式,提供静默的自动修复布局问题,并且只提供必要的重写作为指令。它与Ruff和Prettier等现有的代码格式化工具集成,确保代码和文本风格的一致性。
-
Claude 代码模板简化 Python 项目设置
一篇指南详细介绍了如何为 Python 项目创建有效的 CLAUDE.md 文件,Claude 代码使用该文件来理解项目约定和工作流程。该模板强调使用精确的命令进行环境管理 (uv)、测试 (pytest)、格式化 (ruff) 和类型检查 (mypy),以及使用 `pathlib` 和避免裸 `except` 子句等清晰约定。它还建议了一个从测试开始的开发流程,并包含了一种在子目录中使用 CLAUDE.md 文件以实现本地化规则的方法。
-
Anthropic 更新 Claude Code,研究探索 AI 在机器人和音乐领域的应用
Anthropic 发布了其 Claude Code 工具的更新,版本 2.1.311 和 2.1.312 更改了该工具处理努力程度和会话限制的方式。版本 2.1.311 通过 API 将 'ultrathink' 关键字映射到多个 Claude 模型的 'xhigh' 努力程度,版本 2.1.312 将 'session limit' 重命名为 '5-hour limit'。两个版本都包含大量错误修复,主要集中在子代理和 Visua…
-
Claude Code:为安全高效的开发工作流配置权限
本指南解释了如何配置 Claude Code 的权限以简化开发工作流。它详细介绍了如何创建一个 settings.json 文件,该文件可自动允许用户编写的脚本(如 npm run 和 test),提示执行潜在风险操作(如 git push),并拒绝危险命令(如 git force push)。该配置通过使用 'allow'、'ask' 和 'deny' 规则来优先考虑安全性和效率,并为包括 npm、pnpm 和 yarn 在内的各种…
-
2026年Django调查:核心稳定性获赞,AI和工具采用激增
JetBrains 和 Django Software Foundation 进行的一年一度的2026年Django现状调查显示,该框架的核心稳定性是一项积极属性,PostgreSQL 仍然是占主导地位的数据库,并且有相当一部分用户已经采用了 Django 6.0。开发者正越来越多地将精力集中在周边工具和 AI 上,Claude Code 成为领先的 AI 编码助手。调查还强调了工具的整合,uv 和 Ruff 获得广泛采用,以及类型提…
-
AI系统增强弱模型以应对现实世界任务
一种使较弱或本地运行的AI模型在现实世界任务中更可靠的新方法,侧重于围绕模型构建一个健壮的系统,而不是仅仅依赖于更强大的模型。这个系统被称为“系统”(harness),它将模型的输出与实际结果进行验证,例如检查代码编辑是否成功应用或项目测试是否通过。通过从不信任模型自我报告的成功,而是将失败反馈回循环进行纠正,即使是能力较弱的模型也能有效地执行复杂任务。
-
开发者创建 Claude Hookbook 以实现 Claude Code 任务自动化
一位开发者创建了“Claude Hookbook”,这是一个预先编写的 hook 库,旨在自动化常见任务并为 Anthropic 的 Claude Code 添加保护措施。该工具解决了手动配置 hook 来执行诸如运行格式化器(Prettier、ESLint、ruff)、防止敏感文件修改以及确保代码质量检查等任务时的设置摩擦。Claude Hookbook 提供了 20 个可直接复制的 hook 和一个基于浏览器的生成器,用于创建一个…
-
死代码扫描器遗漏 2,063 行代码;复杂性上限增加了代码
一位开发者发现,他们的死代码扫描工具 Vulture 在他们删除了 2,063 行代码后仍然报告零问题。这种差异的出现是因为该工具测量代码引用,而不是实际使用。当他们使用 Python 开发自主 AI Agent Contemplative Agent 时,开发者发现了这一点。他们还指出,实现函数复杂性上限旨在减少代码,但却适得其反地增加了代码库的行数。
-
作者从手动代码审查转向自动化代码规范检查以控制复杂度
作者讨论了代码审查实践的转变,从手动审查转向自动化代码规范检查规则以管理代码复杂度。他们解释说,手动审查无论代码质量如何都会增加判断工作量,而代码规范检查只标记实际违规。这导致减少了手动审查阶段,并实施了特定的Ruff代码规范规则C901,以强制执行函数复杂度的上限。作者分享了由AI代理Contemplative Agent编写的代码库的复杂度指标,以说明在没有此类自动化检查的情况下,代码可能变得过于复杂。
-
开发者创建开源系统以对抗AI编码中的LLM漂移
一位开发者创建了一个开源系统来对抗“LLM漂移”,这是一种AI编码助手随时间偏离初始指令的现象。该系统强调直接、具体的指令而非抽象指令,采用结构化方法,包含五个独立的文件用于需求、代理生成、任务管理以及输入/输出处理。这种方法旨在创建一个从需求到实现和审查的可追溯工作流程,并使用单独的AI模型进行代码审查,以防止自我确认偏见。
-
Ruff linter v0.16.0 扩展默认规则,揭示项目问题
由 Astral 开发的 Ruff linter 发布了 0.16.0 版本,将其默认启用的规则数量从 59 条大幅增加到 413 条。此次更新揭示了各种项目中的大量问题,仅 Simon Willison 的 sqlite-utils 项目就发现了 1618 个问题。此次更新旨在通过强制执行更广泛的检查来提高代码质量和一致性。
-
Ruff v0.16.0 包含扩展的默认检查,助力 AI 代码升级
Astral 发布了 Ruff v0.16.0,显著扩展了其默认规则集,包含 413 项检查,远超之前的 59 项。此次更新旨在捕获更严重的问题,包括语法和运行时错误,而无需用户配置。作者发现将新默认设置应用于其 Datasette、sqlite-utils 和 LLM 项目,识别出数百个问题,自动化修复解决了其中大部分。发布说明还强调,此输出非常适合 AI 编码代理,作者成功使用 Codex (GPT-5.6 Sol high) 和…
-
新工具整合了多个 Python 代码质量分析器,用于 AI 代理
一位 Reddit 用户分享了一个工具,该工具将多个 Python 代码质量和安全分析工具整合到一个平台中。其目的是提高 AI 代理生成的代码质量,使人类开发人员在代码审查期间能够专注于更高级别的设计和架构。该工具捆绑了 Ruff、ty、bandit、gitleaks、semgrep、radon 和 jscpd 等实用程序。
-
Trajectory-Sentinel v0.1.0 关联防御信号以增强代理安全性
Trajectory-Sentinel v0.1.0 是一款新的监控工具,旨在关联来自 adi-shield、wallet-guardy 和 goal-anchor 等多个传感器的防御信号。它解决了单个传感器只能看到攻击部分视图的局限性,从而能够基于完整的工具调用轨迹做出更全面的决策。该系统采用确定性规则,包括在任何传感器指示中断时阻止操作,当 goal-anchor 检测到漂移而其他传感器允许时确认风险,以及汇总来自多个传感器的已确…
-
开源工具应对LLM提示注入攻击
发布了两个开源项目来对抗针对大型语言模型的提示注入攻击。第一个项目由BordairAPI开发,采用两阶段检测系统,结合了快速的正则表达式网关和量化的DeBERTa-v3模型,并包含来自游戏的真实攻击数据。第二个项目adi-shield专注于标记不可信数据源,并在代理执行指令前检测注入的指令,而不依赖于LLM本身。
-
本地LLM执行器可能比云端模型更昂贵
最近的一项实验显示,使用像Qwen 3.5-9B这样的本地托管、免费令牌模型作为执行器,并由Anthropic的Opus 4.7等强大模型进行编排,其成本可能高于单独运行Opus。这一反直觉的发现并非源于执行器的令牌成本,而是由于编排器增加了提示重读次数和输入量。该研究涉及三个代码修复任务的40次试验,使用确定性检查进行评估,并发现Opus编排的Qwen设置产生了最高的云端成本。
-
Google DeepMind关键研究员离职;新基准显示AI在知识工作中挣扎;OpenAI收购Astral
Google DeepMind正经历一次重大的人才流失,Noam Shazeer已加入OpenAI,John Jumper已加入Anthropic,这标志着AI人才正向小型竞争对手转移。一项名为AA-Briefcase的新基准测试显示,即使是Claude Fable 5等先进模型,也只能解决3%的实际知识工作任务,这凸显了当前AI能力与生产价值之间的差距。为了增强其编码工具,OpenAI收购了Astral,即快速Python工具uv和…