GitPilot：用自然语言驱动 GitHub 工作流的 AI 代理

GitPilot 是一个通过自然语言指令自动化 GitHub 工作流的 AI Agent，用户无需记忆复杂的 GitHub CLI 命令，只需用日常语言描述需求，系统即可自动执行仓库创建、分支管理、PR 提交等操作。

GitHub 提供了强大的命令行工具 gh，可以高效地完成仓库管理、PR 创建、Issue 跟踪等操作。但对于许多开发者，尤其是刚接触 Git 生态的新手，记忆 gh repo create、gh pr create --base main --head feature 等命令语法仍是一道门槛。更复杂的工作流（如创建带特定标签的 Issue、批量管理协作者权限）需要查阅文档甚至编写脚本。GitPilot 项目试图通过自然语言处理（NLP）技术，让开发者用「人话」与 GitHub 交互。

GitPilot 采用经典的前后端分离架构，核心组件包括：

前端（ReactJS）：提供直观的 Web 界面，支持文本输入和语音输入。语音通过 Web Speech API 转换为文本，降低移动端使用门槛。

LLM 推理服务（独立 API）：基于 Qwen2-7B-Instruct 模型，经过 DPO（Direct Preference Optimization）训练微调。该服务独立部署，接收用户自然语言指令，返回结构化的动作序列和参数。

后端（Flask）：核心业务逻辑层，接收前端请求后调用 LLM API，解析返回的动作指令，转换为具体的 GitHub CLI 命令并执行。

GitHub CLI 集成：后端通过 gh 命令与 GitHub 交互，所有操作都经过用户授权，安全性由 GitHub 的 OAuth 机制保证。

项目的一个技术亮点是采用了 DPO 训练方法对 Qwen2-7B 进行微调。DPO 相比传统的 RLHF（基于人类反馈的强化学习）更加高效，不需要单独的奖励模型，直接从偏好数据中学习。项目团队准备了 dpo_training_data.json 包含 GitHub 工作流相关的指令-动作对，训练后模型能更准确地理解开发意图。

另一个关键设计是 agent_context.json 文件，它帮助 Agent 维护多轮对话的上下文。例如，当用户说「删除刚才创建的仓库」，Agent 需要知道「刚才」指的是哪一次操作，这个上下文管理机制确保了交互的连贯性。

典型的使用流程如下：

1. 用户输入：「帮我创建一个名为 my-project 的私有仓库，并添加 README」
2. LLM 解析：识别意图为 create_repo，提取参数 repo_name=my-project, private=true, add_readme=true
3. 后端转换：生成命令 gh repo create my-project --private --add-readme
4. 执行与反馈：后端执行命令，返回成功信息和仓库链接

支持的典型操作包括：

• 仓库管理：创建、删除、克隆、设置权限
• 分支操作：创建分支、切换、合并、删除
• PR 工作流：创建 PR、添加 reviewer、合并、关闭
• Issue 管理：创建、标签、分配、评论
• 协作者管理：邀请、权限调整、移除

项目提供了完整的 Docker 支持，这是推荐的部署方式：

docker pull adisrinitw/gitpilot30-gitpilot:latest
docker run -it -e EXTERNAL_API_URL=<LLM_API_URL> -p 5173:5173 -p 5000:5000 adisrinitw/gitpilot30-gitpilot:latest

访问 http://localhost:5173 即可使用。由于 LLM API 使用免费服务器托管，URL 可能动态变化，需要关注并更新环境变量。

对于希望本地运行的开发者，项目也提供了手动安装指南，需要 Node.js、React、Flask、GitHub CLI 等依赖。

项目对硬件有一定要求：

• 训练阶段：需要至少 15GB VRAM 的 GPU，训练时间约 2-3 小时
• 推理阶段：7B 模型可在消费级 GPU 或甚至 CPU 上运行（速度较慢）
• 部署阶段：Docker 方式对硬件要求最低，主要计算在预构建的镜像中完成

对于不想自行训练的团队，可以直接使用项目提供的预训练模型和 Docker 镜像。

当前版本存在一些已知局限：

模型规模限制：7B 参数模型在处理复杂多步指令时可能出错，更大的模型（13B/70B）会更可靠但成本更高。

上下文窗口：长对话历史可能超出模型上下文限制，导致早期信息丢失。

错误恢复：当 LLM 生成的动作序列包含错误（如不存在的分支名）时，系统的自动纠错能力有限。

安全边界：虽然 GitHub CLI 本身有权限控制，但自然语言的模糊性可能导致意外操作（如「删除所有仓库」），需要更严格的确认机制。