跳到正文
#GitHub
10月8日周四
  1. GitHub Blog · AI & ML69

    GitHub Secret Protection引入ModernBERT分类器，扩展AI密钥检测

    GitHub在Secret Protection中引入ModernBERT分类器，可在低于 2 毫秒内评估候选密钥，并有望将能够阻止的密钥数量提高至两倍以上。

    推荐理由：文章结合九个季度数据解释代码增长下密钥保护的扩展压力，并介绍低于 2 毫秒完成候选检测、可将阻止数量提高至两倍以上的方案。

10月5日周一
  1. GitHub Blog · AI & ML75

    GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

    GitHub 发布 ReviewBench，用于系统评估 AI 代码审查智能体。该基准参考103.9M个GitHub pull requests，包含来自187个公共开源仓库、覆盖19种语言的219个pull requests，并提供多源 golden set、分级分类标注及 grounded 和 augmented 评测指标。

    推荐理由：ReviewBench公开了覆盖219个PR和19种语言的AI代码审查评测框架，并以多源标注、统一评分和96.6%专家一致性支持系统比较。

10月2日周五
9月26日周六
  1. GitHub Blog · AI & ML75

    GitHub Copilot app 初学者指南：使用 canvases 构建自定义工作流

    GitHub Copilot app 支持通过 canvases 创建围绕用户工作流定制的界面，并让用户与 Agent 双向协作更新内容。用户可在 agent session 中输入 `/create-canvas`，用自然语言描述工作流、界面操作和 Agent 操作，无需手写代码或布局。

    推荐理由：文章用 /create-canvas 展示了从自然语言描述到可复用 canvas 的完整路径，并说明用户与 Agent 如何在同一界面协作。

9月25日周五
  1. GitHub Blog · AI & ML79

    GitHub Copilot 的 canvas：为什么聊天有时不是正确的 UI

    GitHub Copilot 文章提出，聊天并非 AI 任务的最佳交互界面，canvas 可在 GitHub Copilot app 内提供可定制的全栈应用界面。Canvas 能调用第三方 API、执行本地代码，并与 GitHub Copilot agent 双向通信。文章还展示了 Connect 4、Winget、SQLite 以及开发流程自动化等用例。

    推荐理由：文章通过 Connect 4、Winget、SQLite 和开发流程案例，展示 GitHub Copilot canvas 如何把聊天请求转为可交互工具与自动化工作流。

  2. GitHub Blog · AI & ML76

    GitHub Security Lab Taskflow Agent 如何实现 AI 驱动的 C/C++ 模糊测试

    GitHub Security Lab 的 Fuzzing Taskflow 面向 C/C++ 项目自动完成入口识别、构建分析、harness 编写、AFL++ 模糊测试、覆盖率改进、崩溃归因和漏洞报告生成。

    推荐理由：文章拆解了从覆盖率反馈、结构感知输入到崩溃归因的自动化链路，也说明了 LLM 判断与 MCP 执行分离的工程设计及运行风险。

9月24日周四
  1. GitHub Blog · AI & ML62

    GitHub Copilot app 重建超大 Pull Request 渲染体验

    GitHub Copilot app 重建了 Pull Request 视图，让包含 2,200 个文件、超过一百万行变更和 400 多条行内评论的超大变更仍能打开、滚动并完整呈现评论。方案将确定性的代码几何与动态评论块分开，按视口延迟测量，并通过滚动锚定减少位置跳动。团队还使用结构化探针和自动化 change → measure → improve 循环，在真实应用中检测性能问题。

    推荐理由：文章拆解了 GitHub Copilot app 如何分离代码行与动态评论的几何计算，并用自动化测量循环定位超大 Pull Request 中的性能问题。

9月19日周六
9月18日周五
  1. GitHub Blog · AI & ML45

    该不该阅读 AI 生成的代码？RAG 已死吗，Skills 杀死 MCP 了吗？

    GitHub Podcast 重新审视“无需阅读 AI 生成代码”“RAG 已死”“Skills 杀死 MCP”等常见 AI 观点，指出生成代码仍需审查并由开发者负责。MCP 提供工具与数据连接标准，Skills 提供流程、上下文和最佳实践，两者可以协同；RAG 仍能通过检索训练数据之外的信息，帮助模型缩小搜索范围、减少不完整回答。AI 辅助开发也凸显了代码结构、命名、测试和文档对可维护性的价值。