这项实验旨在解决 LangGraph 智能体中出现的“上帝节点”(god node)反模式问题——即单个 `plan` 节点膨胀为包含 350 多行逻辑、难以维护的瓶颈。作者向 11 个美国和中国的大模型提出了两项挑战:首先,提议对图结构进行重构;其次,对彼此的方案进行评估与排序。
其目的是验证大模型是否能够理清它们在辅助开发过程中常导致复杂化的代码。研究采用了三种分析方法:共识排序、基于论点的评估对比,以及由“专家级”模型(Fable-5 和 GPT-5.5)进行的元分析。
**主要结论:**
* **共识:** 大多数模型一致认为,应将逻辑拆解为稳定的中等粒度阶段,并将 LLM 调用限制在精简的“规划”阶段。
* **评估:** 没有模型能做到绝对可靠;大多数评估包含了事实错误、代码缺陷,或对自己方案的过度评分。Fable-5 表现出最严谨的分析能力,能够持续识别出其他模型忽略的技术漏洞。
* **结论:** 模型是出色的头脑风暴伙伴,但目前尚无法完全取代人类的架构判断。对于复杂任务,作者建议综合最强的方案构建混合解决方案,并手动验证检查点(checkpointing)和序列化约束等潜在风险。
Slopo 是一款轻量级 CLI 工具,旨在检测非精确的代码重复——即那些隐藏在不同模块或文件中的微妙且高风险的重复代码。与侧重于完全相同代码的传统工具不同,Slopo 使用嵌入模型来识别语义相似的代码簇。
通过计算代码单元的嵌入向量,Slopo 可以识别潜在的重复项,并根据余弦相似度和代码库中的物理距离对其进行排名。该工具专为集成到 AI 辅助开发工作流中而设计:Slopo 负责识别代码簇,而 AI 代理则进行验证,并将误报项标记到 `slopo.ignore.txt` 文件中以供忽略。
主要功能包括:
* **广泛的语言支持**:适用于 Python、TS/JS、Java、Kotlin、C#、Go 和 Rust。
* **灵活的集成**:使用 LiteLLM 作为嵌入提供程序,并使用 `uv` 实现无缝安装。
* **增量分析**:支持对更改后的文件进行重新索引,并维护可供团队共享的持久忽略列表。
* **可配置的过滤**:允许用户调整相似度阈值和抽象语法树(AST)节点复杂度,以减少干扰信息。
Slopo 提供了清理冗余代码所需的洞察力,使开发人员和 AI 代理能够高效地针对大型代码库中的技术债务进行定位和重构。