Files
filwordspl-backend/scripts/ai_review.py
T
Drobysh 5ed0de765d feat(ai-review): single model V4 Pro + stricter filters
- MODEL: V4.1 Flash + GLM → V4 Pro 0813
- USE_SECONDARY_MODEL: True → False
- reasoning_effort: low, max_tokens=16000
- MIN_CONFIDENCE: 0.75 → 0.80
- Удалён merge_dual_findings и _is_glm

Тест 05.10.2026: V4 Pro игнорирует reasoning_effort=none,
low даёт минимальный reasoning (70 токенов на простой запрос).
2026-10-05 13:28:49 +00:00

748 lines
31 KiB
Python
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
#!/usr/bin/env python3
"""
AI Code Review for Filwords PL Backend (JSON-контракт + пак-подход)
Backend слишком большой (~440K символов) для одного запроса — модель уходит
в reasoning и не успевает выдать JSON. Решение: разбиваем файлы на паки
по папкам, делаем отдельный запрос на каждый пак, объединяем находки.
(20.09.2026) Первая версия — конвейер без tool-calling, предсказуемо по токенам.
(20.09.2026, вечер) Фикс: max_tokens=16000, fallback на reasoning_content.
(21.09.2026, вечер) JSON-контракт + snippet-проверка + фильтр confidence.
(22.09.2026, вечер) Пак-подход: 3 пака (routers, core, services+scripts).
(25.09.2026) Разбивка routers на 4 пака, MAX_OUTPUT_TOKENS=32000.
(25.09.2026, вечер) ФИКС root cause: DeepSeek-V4.1-Flash по умолчанию
думает (reasoning), и на сложных паках весь max_tokens уходит в
thinking — content пустой, finish=length, находки теряются.
→ reasoning выключен явно ("reasoning": {"enabled": False}).
→ fallback на reasoning_content убран (это была причина "Ошибка
парсинга JSON": туда попадал сырой текст рассуждений, а не JSON).
→ extract_json теперь спасает отдельные валидные находки, даже если
ответ всё же обрежется по max_tokens — вместо потери пака целиком.
(26.09.2026) ФИКС quality-first:
→ MODEL: DeepSeek-V4.1-Flash → DeepSeek-V4-Pro-0813 (потом откат).
→ MAX_OUTPUT_TOKENS: 32000 → 8000 (модель перестаёт писать "всё подряд").
→ SYSTEM_PROMPT ужесточён: запрет "Ок"/"Не баг"/"Работает корректно",
confidence >= 0.75, ТОП-10 по severity.
→ validate_and_filter: overshoot guard — если находок > 15 на пак,
берём только топ-10 по confidence (признак, что модель "потекла").
(26.09.2026, вечер) ФИКС dual-model + split routers_learning:
→ routers_learning (100k) разбит на 3 пака:
routers_learning_core, routers_learning_teacher, routers_learning_orch.
Это устраняет finish=length — модель успевает выдать JSON.
→ Добавлена ВТОРАЯ модель (GLM 5.3) для пересечения находок:
DeepSeek V4.1 Flash — основная, GLM 5.3 — вторая.
Пересечение по (file, snippet) → confidence +0.05.
→ Только primary → normal. Только secondary → normal.
→ USE_SECONDARY_MODEL=True включает вторую модель.
(26.09.2026, ночь) ФИКС reasoning-per-model + бюджет:
→ MODEL_SECONDARY: zai-org/GLM-5.3 (флагман, $1.40/$4.40) →
zai-org/GLM-5.3-Flash ($0.15/$0.50). Флагман почти не нужен для
point-by-point code review, а стоит в ~9 раз дороже; на 2 репо
(backend+frontend) дуал-модель с флагманом упирается в бюджет
80 центов/аудит, с Flash — укладывается с большим запасом.
→ ROOT CAUSE найден: "reasoning": {"enabled": False} НЕ работает
на GLM-5.3 / GLM-5.3-Flash (документация Together: "Thinking
cannot be disabled entirely on GLM-5.3"). Флаг тихо игнорировался,
GLM продолжал думать, весь max_tokens уходил в reasoning_content,
content оставался пустым → "Формат ответа: пусто" именно на
GLM-паках. Это и была причина "не работает" у secondary модели.
→ call_together_model теперь строит РАЗНЫЙ payload по семейству
модели: DeepSeek → reasoning.enabled=False (это работает);
GLM-5.3* → reasoning_effort="low" + увеличенный max_tokens
(единственный доступный рычаг для GLM-5.3, thinking трейс
частично остаётся, но сильно короче).
→ Логируем длину reasoning_content (если есть) — видно, сколько
токенов модель тратит на мысли до JSON-ответа.
(27.09.2026) ФИКС secondary_empty_log:
→ Симметрично с frontend: если GLM-5.3-Flash вернул пустой content
для пака — пишем явно в stderr, чтобы видеть потери в логах,
а не молча терять вклад второй модели.
→ Паки не трогаем — routers_admin (97k) пока терпит, но если
начнёт терять secondary — раздробим.
(05.10.2026) ФИКС single_model_v4_pro:
→ Отказались от dual-model (DeepSeek Flash + GLM Flash).
Причина: GLM добавлял мусор, Flash-версии ошибались на сложных файлах.
→ Теперь: только DeepSeek V4 Pro 0813 — флагман, reasoning, 1M контекст.
Один промпт → один ответ → один фильтр → меньше мусора.
→ MIN_CONFIDENCE: 0.75 → 0.80 — V4 Pro увереннее, но подняли порог,
чтобы отсеять спорные находки.
→ reasoning_effort="low" — V4 Pro: reasoning_effort="none"
игнорируется (тест 05.10.2026), "low" даёт минимальный reasoning
(~70 токенов на простой запрос).
→ MAX_OUTPUT_TOKENS: 8000 → 16000 — reasoning (~80%) + JSON (~20%).
"""
import json
import os
import re
import sys
from datetime import datetime, timezone
from pathlib import Path
import httpx
# ============ Настройки ============
TOGETHER_API_KEY = os.environ.get("TOGETHER_API_KEY")
GITEA_BOT_TOKEN = os.environ.get("BOT_TOKEN")
GITEA_INSTANCE = os.environ.get("GITEA_INSTANCE", "https://git.filwordspl.com")
GITEA_REPO = os.environ.get("GITEA_REPO", "Drobysh/filwordspl-backend")
# 🔧 ФИКС (05.10.2026): single_model_v4_pro —
# Отказались от dual-model (DeepSeek Flash + GLM Flash).
# Причина: GLM добавлял мусор, Flash-версии ошибались на сложных файлах.
# Теперь: только DeepSeek V4 Pro 0813 — флагман, reasoning, 1M контекст.
# Один промпт → один ответ → один фильтр → меньше мусора.
MODEL_PRIMARY = "deepseek-ai/DeepSeek-V4-Pro-0813"
USE_SECONDARY_MODEL = False
# V4 Pro: reasoning полностью НЕ отключается (тест 05.10.2026:
# reasoning_effort="none" игнорируется, "low" даёт ~70 токенов).
# max_tokens увеличен с 8000 до 16000 — reasoning (~80%) + JSON (~20%).
MAX_OUTPUT_TOKENS = 16000
REASONING_EFFORT = "low"
# Что игнорировать при сборе кода
IGNORE_DIRS = {
"venv", ".venv", "__pycache__", ".git", ".gitea",
"tests", "archive", "uploads", "tts_cache",
"node_modules", "dist", "learning_data",
}
IGNORE_FILES = {
"ai_review.py", "conftest.py", "code_summary.py",
"add_levels.py", "generate_levels_v2.py",
"__init__.py",
}
# Расширения, которые читаем
INCLUDE_EXTENSIONS = {".py"}
# Максимальный размер одного файла (символов)
MAX_FILE_SIZE = 100_000
# Фильтр находок
# 🔧 ФИКС (05.10.2026): filter_more_strict —
# V4 Pro увереннее, но подняли порог с 0.75 до 0.80,
# чтобы отсеять спорные находки.
MIN_CONFIDENCE = 0.80
ALLOWED_SEVERITY = {"user_impact", "data_risk", "maintainability"}
# 🔧 ФИКС (26.09.2026): overshoot guard.
OVERSHOOT_LIMIT = 15
OVERSHOOT_KEEP = 10
# Паки для backend. Пути проверены по факту (`ls routers/`).
PACKS = [
{
"name": "routers_games",
"paths": [
"routers/game.py",
"routers/hints.py",
"routers/wordquiz.py",
"routers/bubblewords.py",
"routers/sentences.py",
"routers/typing.py",
"routers/pronunciation.py",
],
"description": "Игры: wordsearch, hints, quiz, bubbles, sentences, typing, pronunciation",
},
{
"name": "routers_learning_core",
"paths": ["routers/learning.py"],
"description": "Уроки: learning.py (эндпоинты + update_*)",
},
{
"name": "routers_learning_teacher",
"paths": ["routers/teacher.py"],
"description": "Учитель: teacher.py",
},
{
"name": "routers_learning_orch",
"paths": [
"routers/orchestrator.py",
"routers/learning_profile.py",
"routers/learning_data/",
],
"description": "Orchestrator + profile + learning_data",
},
{
"name": "routers_admin",
"paths": [
"routers/admin.py",
"routers/admin_content.py",
"routers/feed.py",
"routers/support.py",
],
"description": "Админ: dashboard, content editor, feed, support",
},
{
"name": "routers_misc",
"paths": [
"routers/achievements.py",
"routers/users.py",
"routers/leaderboard.py",
"routers/assistant.py",
"routers/tts.py",
],
"description": "Прочее: achievements, users, leaderboard, assistant, tts",
},
{
"name": "core",
"paths": ["main.py", "database.py", "auth.py", "config.py", "bot.py"],
"description": "Ядро: main (rate limiter, CORS), database (схема), auth (HMAC), config",
},
{
"name": "services",
"paths": ["scripts/"],
"description": "Скрипты автоматизации",
},
]
# ============ Проверка окружения ============
def check_env() -> None:
missing = []
if not TOGETHER_API_KEY:
missing.append("TOGETHER_API_KEY")
if not GITEA_BOT_TOKEN:
missing.append("BOT_TOKEN")
if missing:
print(f"❌ Отсутствуют переменные окружения: {', '.join(missing)}", file=sys.stderr)
sys.exit(1)
# ============ Сбор кода одного пака ============
def read_file(path: Path, repo_root: Path) -> tuple[str, str] | None:
"""Читает один файл. Возвращает (относительный_путь, содержимое) или None."""
try:
content = path.read_text(encoding="utf-8")
except Exception as e:
print(f"⚠️ Не прочитал {path.relative_to(repo_root)}: {e}", file=sys.stderr)
return None
if len(content) > MAX_FILE_SIZE:
print(f"⚠️ Пропущен большой файл: {path.relative_to(repo_root)} ({len(content)} символов)", file=sys.stderr)
return None
rel_str = str(path.relative_to(repo_root)).replace("\\", "/")
return rel_str, content
def collect_pack(repo_root: Path, pack: dict) -> tuple[str, dict[str, str]]:
"""Собирает файлы одного пака. Возвращает (текст, словарь {путь: содержимое})."""
chunks: list[str] = []
files_map: dict[str, str] = {}
total_size = 0
for path_pattern in pack["paths"]:
target = repo_root / path_pattern
if not target.exists():
continue
if target.is_file():
result = read_file(target, repo_root)
if result:
rel_str, content = result
chunks.append(f"### FILE: {rel_str}\n```python\n{content}\n```\n")
files_map[rel_str] = content
total_size += len(content)
else:
for f in sorted(target.rglob("*")):
if not f.is_file():
continue
if f.suffix not in INCLUDE_EXTENSIONS:
continue
if f.name in IGNORE_FILES:
continue
if any(part in IGNORE_DIRS for part in f.relative_to(repo_root).parts):
continue
result = read_file(f, repo_root)
if result:
rel_str, content = result
chunks.append(f"### FILE: {rel_str}\n```python\n{content}\n```\n")
files_map[rel_str] = content
total_size += len(content)
print(f" 📦 Пак '{pack['name']}': {len(files_map)} файлов, {total_size:,} символов")
return "\n".join(chunks), files_map
# ============ Промпт для модели ============
SYSTEM_PROMPT = """Ты — опытный техлид и ревьюер Python-кода (FastAPI, asyncpg, PostgreSQL).
Твоя задача — проанализировать код и вернуть СТРОГО JSON-массив находок.
ФОРМАТ ОТВЕТА (только JSON, без markdown, без пояснений):
[
{
"id": "КРАТКОЕ_ИМЯ_БАГА",
"file": "routers/hints.py",
"line": 20,
"snippet": "точное цитирование 1-3 строк из файла",
"severity": "user_impact",
"user_effect": "что видит ученик: подсказка не списывается, очки завышены",
"repro": "открыть игру → взять подсказку → hints_used в БД не растёт",
"fix_hint": "UPDATE ... hints_used = hints_used + 1 в той же транзакции",
"confidence": 0.86
}
]
ПРАВИЛА (соблюдай строго):
1. severity — только одно из: "user_impact", "data_risk", "maintainability".
- user_impact: ученик видит баг, теряет прогресс, очки, доступ
- data_risk: порча БД, утечка, неверный auth/rate-limit
- maintainability: запах, дубль, устаревший API
2. snippet — ТОЧНАЯ цитата 1-3 строк из файла. Не перефразируй. Если не уверен — не включай находку.
3. confidence — число от 0 до 1. Если меньше 0.75 — НЕ включай.
4. МАКСИМУМ 10 находок за этот пак. Если находишь больше — выбери ТОП-10 по severity (user_impact > data_risk > maintainability).
5. НЕ пиши находки типа "Ок", "Не баг", "Работает корректно", "Не влияет на UX", "Не критично". Только РЕАЛЬНЫЕ проблемы.
6. НЕ комментируй каждую функцию. Только баги, security, UX.
7. НЕ переписывай код. Только описывай, что не так и что сделать.
8. Без воды. Без общих слов.
9. Если проблем нет — верни пустой массив: [].
Отвечай ТОЛЬКО JSON, без markdown-обёрток. Не думай вслух — сразу выдавай JSON-массив.
"""
USER_PROMPT_TEMPLATE = """Проанализируй часть кода проекта Filwords PL (backend).
Это FastAPI + PostgreSQL + asyncpg.
Пак: **{pack_name}** — {pack_description}
Ищи ТОЛЬКО реальные проблемы:
1. Баги и логические ошибки (не "Ок", а "тут падает")
2. Проблемы безопасности (утечки, инъекции, неправильная валидация)
3. N+1 запросы к БД
4. Отсутствие обработки ошибок (где РЕАЛЬНО упадёт)
5. Дублирование кода
6. Мёртвый код
7. Слабые места архитектуры
НЕ пиши "Ок", "Не баг", "Работает корректно". Если проблем нет — верни [].
Верни JSON-массив находок по формату выше.
Вот код:
{code}
"""
# ============ Запрос к Together AI ============
def call_together_model(code: str, pack: dict, model_name: str) -> str:
"""Отправляет код пака в указанную модель.
🔧 ФИКС (05.10.2026): reasoning_effort_low —
V4 Pro: reasoning_effort="none" игнорируется (тест 05.10.2026),
"low" даёт минимальный reasoning.
"""
print(f" 🤖 Отправляю пак '{pack['name']}' в {model_name}...")
user_prompt = USER_PROMPT_TEMPLATE.format(
pack_name=pack["name"],
pack_description=pack["description"],
code=code,
)
payload = {
"model": model_name,
"messages": [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": user_prompt},
],
"temperature": 0.2,
"max_tokens": MAX_OUTPUT_TOKENS,
# 🔧 ФИКС (05.10.2026): reasoning_effort_low —
# V4 Pro: reasoning_effort="none" игнорируется (тест 05.10.2026),
# "low" даёт минимальный reasoning (~70 токенов на простой запрос).
"reasoning_effort": REASONING_EFFORT,
}
response = httpx.post(
"https://api.together.xyz/v1/chat/completions",
headers={
"Authorization": f"Bearer {TOGETHER_API_KEY}",
"Content-Type": "application/json",
},
json=payload,
timeout=300.0,
)
if response.status_code != 200:
print(f" ❌ {model_name} вернул {response.status_code}", file=sys.stderr)
print(f" Ответ: {response.text[:500]}", file=sys.stderr)
return ""
data = response.json()
try:
message = data["choices"][0]["message"]
result = message.get("content")
if not result:
raise KeyError("пусто (content отсутствует)")
except (KeyError, IndexError, TypeError) as e:
# 🔧 ФИКС (26.09.2026, ночь): логируем длину reasoning-трейса,
# чтобы видно было, сколько токенов ушло на "мысли" до отказа.
reasoning_len = 0
try:
reasoning_len = len(
data["choices"][0]["message"].get("reasoning_content") or ""
)
except Exception:
pass
print(f" ❌ Формат ответа: {e} (reasoning_content: {reasoning_len} символов)", file=sys.stderr)
return ""
usage = data.get("usage", {})
finish = data["choices"][0].get("finish_reason", "unknown")
reasoning_len = len(data["choices"][0]["message"].get("reasoning_content") or "")
print(
f" ✅ [{model_name.split('/')[-1]}] Пак '{pack['name']}': "
f"вход={usage.get('prompt_tokens', 0)}, "
f"выход={usage.get('completion_tokens', 0)}, "
f"reasoning≈{reasoning_len} симв., finish={finish}"
)
if finish == "length":
print(
f" ⚠️ Пак '{pack['name']}' обрезан по max_tokens ({model_name})",
file=sys.stderr,
)
return result
def call_together(code: str, pack: dict) -> str:
"""Backward-compat: одна модель (primary)."""
return call_together_model(code, pack, MODEL_PRIMARY)
# ============ Парсинг и фильтрация JSON ============
def extract_json(text: str) -> list[dict]:
"""Извлекает находки из ответа модели.
Парсим объекты по одному (json.JSONDecoder.raw_decode) и
останавливаемся на первом, который не удалось распарсить — то есть
спасаем всё, что модель успела сгенерить до обрезки.
"""
if not text:
return []
text = text.strip()
if text.startswith("```"):
text = re.sub(r"^```(?:json)?\s*", "", text)
text = re.sub(r"\s*```$", "", text)
start = text.find("[")
if start == -1:
print(f" ⚠️ Не найден JSON-массив. Первые 300 символов:\n{text[:300]}", file=sys.stderr)
return []
decoder = json.JSONDecoder()
idx, n = start + 1, len(text)
results: list[dict] = []
while idx < n:
while idx < n and text[idx] in " \t\n\r,":
idx += 1
if idx >= n or text[idx] == "]":
break
try:
obj, end = decoder.raw_decode(text, idx)
except json.JSONDecodeError:
break
if isinstance(obj, dict):
results.append(obj)
idx = end
if not results:
print(" ⚠️ Не удалось извлечь ни одной находки из ответа", file=sys.stderr)
return results
def merge_dual_findings(primary_raw: str, secondary_raw: str) -> list[dict]:
"""Объединяет находки от двух моделей.
Пересечение по (file, snippet) → confidence +0.05.
Только primary → normal.
Только secondary → normal.
"""
p_list = extract_json(primary_raw)
s_list = extract_json(secondary_raw)
def _key(f: dict) -> str:
return f"{(f.get('file') or '').strip()}::{(f.get('snippet') or '').strip()}"
p_map = {_key(f): f for f in p_list if isinstance(f, dict)}
s_map = {_key(f): f for f in s_list if isinstance(f, dict)}
merged: dict[str, dict] = {}
# Primary — base
for k, f in p_map.items():
item = dict(f)
item["_source"] = "primary"
if k in s_map:
# Пересечение — повышаем confidence
try:
conf = float(item.get("confidence", 0) or 0)
except (TypeError, ValueError):
conf = 0
item["confidence"] = min(1.0, round(conf + 0.05, 2))
item["_source"] = "both"
merged[k] = item
# Secondary — только то, чего нет в primary
for k, f in s_map.items():
if k not in merged:
item = dict(f)
item["_source"] = "secondary"
merged[k] = item
both_count = sum(1 for v in merged.values() if v.get("_source") == "both")
print(f" 🔗 Merge: primary={len(p_map)}, secondary={len(s_map)}, "
f"пересечение={both_count}, всего={len(merged)}")
return list(merged.values())
def validate_and_filter(
findings: list[dict],
files_map: dict[str, str],
) -> tuple[list[dict], dict[str, int]]:
"""Фильтрует находки: файл существует, snippet совпал, confidence ≥ 0.75, severity валидна.
Overshoot guard — если находок > 15 на пак, берём только топ-10 по confidence.
"""
stats = {
"total": len(findings),
"overshoot": 0,
"no_file": 0, "snippet_mismatch": 0, "bad_severity": 0,
"low_confidence": 0, "no_effect_or_repro": 0, "passed": 0,
}
if len(findings) > OVERSHOOT_LIMIT:
print(
f" ⚠️ Overshoot: {len(findings)} находок (> {OVERSHOOT_LIMIT}), "
f"берём топ-{OVERSHOOT_KEEP} по confidence",
file=sys.stderr,
)
findings = sorted(
[f for f in findings if isinstance(f, dict)],
key=lambda x: float(x.get("confidence", 0) or 0),
reverse=True,
)[:OVERSHOOT_KEEP]
stats["overshoot"] = 1
passed: list[dict] = []
for f in findings:
if not isinstance(f, dict):
continue
file_path = (f.get("file") or "").strip().replace("\\", "/")
snippet = (f.get("snippet") or "").strip()
severity = (f.get("severity") or "").strip().lower()
confidence = f.get("confidence", 0)
if file_path not in files_map:
stats["no_file"] += 1
continue
if not snippet or snippet not in files_map[file_path]:
stats["snippet_mismatch"] += 1
continue
if severity not in ALLOWED_SEVERITY:
stats["bad_severity"] += 1
continue
try:
conf_val = float(confidence)
except (TypeError, ValueError):
conf_val = 0
if conf_val < MIN_CONFIDENCE:
stats["low_confidence"] += 1
continue
if severity in ("user_impact", "data_risk"):
if not (f.get("user_effect") or "").strip() or not (f.get("repro") or "").strip():
stats["no_effect_or_repro"] += 1
continue
passed.append(f)
stats["passed"] += 1
return passed, stats
# ============ Форматирование Issue ============
SEVERITY_EMOJI = {"user_impact": "🔴", "data_risk": "🟠", "maintainability": "🟡"}
SEVERITY_LABEL = {
"user_impact": "Влияет на ученика",
"data_risk": "Риск для данных",
"maintainability": "Качество кода",
}
def format_issue_body(
all_findings: list[dict],
pack_stats: list[dict],
total_stats: dict[str, int],
date_str: str,
) -> str:
"""Формирует markdown-тело Issue."""
lines: list[str] = []
lines.append("# 🤖 AI Code Review (Backend)")
lines.append("")
lines.append(f"**Дата:** {date_str}")
lines.append(f"**Модель:** `{MODEL_PRIMARY}`")
lines.append(f"**Репозиторий:** `{GITEA_REPO}`")
lines.append("")
lines.append("## 📊 По пакам")
lines.append("")
for ps in pack_stats:
lines.append(f"- **{ps['name']}** — {ps['files']} файлов, "
f"{ps['symbols']:,} символов, находок={ps['findings']}")
lines.append("")
lines.append("---")
lines.append("")
if not all_findings:
lines.append("✅ **После фильтрации не осталось находок.**")
else:
by_severity: dict[str, list[dict]] = {"user_impact": [], "data_risk": [], "maintainability": []}
for f in all_findings:
by_severity.setdefault(f.get("severity", "maintainability"), []).append(f)
counter = 0
for sev in ["user_impact", "data_risk", "maintainability"]:
items = by_severity.get(sev, [])
if not items:
continue
lines.append(f"## {SEVERITY_EMOJI[sev]} {SEVERITY_LABEL[sev]} ({len(items)})")
lines.append("")
for f in items:
counter += 1
source = f.get("_source", "primary")
source_mark = "🔗 both" if source == "both" else ("🔵 secondary" if source == "secondary" else "")
lines.append(f"### {counter}. {f.get('id', 'без имени')} {source_mark}")
lines.append("")
lines.append(f"- **Файл:** `{f.get('file')}:{f.get('line', '?')}`")
lines.append(f"- **Snippet:** `{f.get('snippet', '').strip()[:120]}`")
lines.append(f"- **Проблема:** {f.get('user_effect', '—')}")
lines.append(f"- **Как воспроизвести:** {f.get('repro', '—')}")
lines.append(f"- **Что сделать:** {f.get('fix_hint', '—')}")
lines.append(f"- **Confidence:** {f.get('confidence', '?')}")
lines.append("")
lines.append("---")
lines.append("")
lines.append(f"**Итого:** всего находок={total_stats['total']}, "
f"overshoot={total_stats.get('overshoot', 0)}, "
f"snippet не совпал={total_stats['snippet_mismatch']}, "
f"низкий confidence={total_stats['low_confidence']}, "
f"прошло={total_stats['passed']}")
lines.append("")
lines.append("_Этот Issue создан автоматически. Исправления делаются вручную._")
return "\n".join(lines)
# ============ Создание Issue в Gitea ============
def create_issue(title: str, body: str) -> str:
"""Создаёт Issue в Gitea, возвращает URL."""
print("📝 Создаю Issue в Gitea...")
response = httpx.post(
f"{GITEA_INSTANCE}/api/v1/repos/{GITEA_REPO}/issues",
headers={
"Authorization": f"token {GITEA_BOT_TOKEN}",
"Content-Type": "application/json",
},
json={"title": title, "body": body},
timeout=30.0,
)
if response.status_code not in (200, 201):
print(f"❌ Gitea вернул {response.status_code}: {response.text[:500]}", file=sys.stderr)
sys.exit(1)
data = response.json()
issue_url = data.get("html_url", "")
print(f"✅ Issue создан: {issue_url}")
return issue_url
# ============ Main ============
def main() -> None:
check_env()
repo_root = Path(".").resolve()
print(f"📁 Репозиторий: {repo_root}")
all_passed: list[dict] = []
pack_stats: list[dict] = []
total_stats = {
"total": 0, "overshoot": 0, "no_file": 0, "snippet_mismatch": 0,
"bad_severity": 0, "low_confidence": 0,
"no_effect_or_repro": 0, "passed": 0,
}
for pack in PACKS:
print(f"\n📦 Обрабатываю пак: {pack['name']}")
code, files_map = collect_pack(repo_root, pack)
if not code:
print(f" ⚠️ Пак '{pack['name']}' пуст — пропускаю")
pack_stats.append({"name": pack["name"], "files": 0, "symbols": 0, "findings": 0})
continue
primary_raw = call_together_model(code, pack, MODEL_PRIMARY)
# 🔧 ФИКС (05.10.2026): single_model —
# только V4 Pro, без merge.
findings = extract_json(primary_raw)
filtered, stats = validate_and_filter(findings, files_map)
all_passed.extend(filtered)
for k in total_stats:
total_stats[k] += stats.get(k, 0)
pack_stats.append({
"name": pack["name"],
"files": len(files_map),
"symbols": sum(len(c) for c in files_map.values()),
"findings": len(filtered),
})
print(f" ✅ Пак '{pack['name']}': прошло фильтр {stats['passed']} из {stats['total']}")
print(f"\n📊 ИТОГО: прошло фильтр {total_stats['passed']} из {total_stats['total']}")
date_str = datetime.now(timezone.utc).strftime("%Y-%m-%d %H:%M UTC")
title = f"🤖 AI Review (backend): {total_stats['passed']} задач ({date_str})"
body = format_issue_body(all_passed, pack_stats, total_stats, date_str)
create_issue(title, body)
print("🎉 Готово!")
if __name__ == "__main__":
main()