Files
filwordspl-frontend/scripts/ai_review.py
T
Drobysh 22742a947b 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 16:29:28 +03:00

764 lines
31 KiB
Python

#!/usr/bin/env python3
"""
AI Code Review for Filwords PL Frontend (JSON-контракт + пак-подход)
Frontend слишком большой (1M+ 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.
(21.09.2026) Первая версия для frontend — адаптация backend-скрипта.
(21.09.2026, вечер) Пак-подход: 4 пака (components, pages, core, admin).
(25.09.2026) Разбивка паков: 9 паков, MAX_OUTPUT_TOKENS=32000.
(25.09.2026, вечер) ФИКС root cause: DeepSeek-V4.1-Flash по умолчанию
думает (reasoning), и на сложных/больших паках весь max_tokens уходит
в thinking — content пустой, finish=length, находки теряются
(это видно по 6 из 9 паков в последнем прогоне).
→ 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.
→ 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.
(26.09.2026, вечер) ФИКС dual-model:
→ 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.
→ 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). На фронтенде (1M+ символов,
9 паков × 2 модели) флагман почти упирался в бюджет 80 центов/
аудит — Flash укладывается с большим запасом.
→ ROOT CAUSE: "reasoning": {"enabled": False} НЕ работает на
GLM-5.3 / GLM-5.3-Flash (в доке Together: "Thinking cannot be
disabled entirely on GLM-5.3"). Это и объясняет "6 из 9 паков
без ответа" из заметки выше — скорее всего это были именно
GLM-паки: thinking съедал весь max_tokens, content пустой.
→ call_together_model строит РАЗНЫЙ payload по семейству модели:
DeepSeek → reasoning.enabled=False; GLM-5.3* → reasoning_effort
="low" + увеличенный max_tokens (единственный рычаг для GLM).
→ Логируем длину reasoning_content для диагностики.
(27.09.2026) ФИКС split_big_packs:
→ components_modals (202k, 9 файлов) — GLM-5.3-Flash сжёг 48986
символов в reasoning, content пустой, весь пак потерян для
secondary модели. reasoning_effort=low не спас на таком объёме.
→ Разбит на 3 пака: components_modals_feed / _admin / _misc.
→ infra (257k, 10 файлов) — тоже на грани (GLM дал всего 3 находки
при reasoning 3738) → разбит на 2 пака:
infra_hooks_i18n / infra_data_types.
→ Логируем явно, если secondary вернул ПУСТО для пака — чтобы
видеть потери в логах, а не молча терять вклад второй модели.
(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, 1M контекст.
→ MIN_CONFIDENCE: 0.75 → 0.80 — подняли порог, чтобы отсеять
спорные находки.
→ reasoning_effort="low" — V4 Pro: reasoning_effort="none"
игнорируется (тест 05.10.2026), "low" даёт минимальный reasoning.
→ MAX_OUTPUT_TOKENS=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-frontend")
# 🔧 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, 1M контекст.
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 reasoning-токенов).
# max_tokens 16000 — reasoning (~80%) + JSON (~20%).
MAX_OUTPUT_TOKENS = 16000
REASONING_EFFORT = "low"
# Что игнорировать при сборе кода
IGNORE_DIRS = {
"node_modules", "dist", "build", ".git", ".gitea",
"public", "coverage", ".vite", ".cache",
}
IGNORE_FILES = {"ai_review.py", "vite-env.d.ts"}
# Расширения, которые читаем
INCLUDE_EXTENSIONS = {".ts", ".tsx", ".js", ".jsx"}
# Максимальный размер одного файла (символов)
MAX_FILE_SIZE = 100_000
# Фильтр находок
# 🔧 ФИКС (05.10.2026): filter_more_strict —
# 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 frontend. Если пак получается > 500K символов — модель может
# не успеть, тогда дроби ещё мельче (например, по подпапкам components/).
#
# 🔧 ФИКС (27.09.2026): split_big_packs —
# components_modals (202k) и infra (257k) раздроблены: на таких объёмах
# GLM-5.3-Flash съедает весь max_tokens в reasoning и возвращает пустой
# content. Теперь самый большой пак ~115k (pages_games) — GLM успевает.
PACKS = [
{
"name": "components_editors",
"paths": [
"src/components/ContentEditorMenu.tsx",
"src/components/LessonEditorModal.tsx",
"src/components/LessonsEditor.tsx",
"src/components/TextsEditor.tsx",
"src/components/WordsEditor.tsx",
],
"description": "UI: редакторы контента",
},
{
"name": "components_modals_feed",
"paths": [
"src/components/FeedModal.tsx",
"src/components/FeedPostComposer.tsx",
],
"description": "UI: модалки feed (лента, композер постов)",
},
{
"name": "components_modals_admin",
"paths": [
"src/components/AdminDashboardModal.tsx",
"src/components/TeacherMenuModal.tsx",
],
"description": "UI: админ-панель, меню учителя",
},
{
"name": "components_modals_misc",
"paths": [
"src/components/OnboardingModal.tsx",
"src/components/PronunciationModal.tsx",
"src/components/RulesModal.tsx",
"src/components/SupportChatModal.tsx",
"src/components/TypingModal.tsx",
],
"description": "UI: онбординг, произношение, правила, поддержка, печать",
},
{
"name": "components_misc",
"paths": [
"src/components/AnimatedCat.tsx",
"src/components/HighlightsCarousel.tsx",
"src/components/HintPanel.tsx",
"src/components/ImageLightbox.tsx",
"src/components/LetterGrid.tsx",
],
"description": "UI: прочие компоненты (игры, карусель)",
},
{
"name": "pages_lessons",
"paths": [
"src/pages/LessonsPage.tsx",
"src/pages/TopicLessonsPage.tsx",
"src/pages/LessonViewPage.tsx",
"src/pages/TestViewPage.tsx",
"src/pages/PracticeViewPage.tsx",
],
"description": "Страницы: уроки и тесты",
},
{
"name": "pages_teacher",
"paths": [
"src/pages/TeacherChatPage.tsx",
"src/pages/PronunciationPage.tsx",
"src/pages/TypingPage.tsx",
],
"description": "Страницы: учитель, произношение, печать",
},
{
"name": "pages_games",
"paths": [
"src/pages/WordSearchPage.tsx",
"src/pages/SentenceBuilderPage.tsx",
"src/pages/WordQuizPage.tsx",
"src/pages/BubbleWordsPage.tsx",
],
"description": "Страницы: игры",
},
{
"name": "pages_menu",
"paths": [
"src/pages/MenuPage.tsx",
"src/pages/LeaderboardPage.tsx",
"src/pages/FlashcardsPage.tsx",
"src/pages/LanguageSelectPage.tsx",
],
"description": "Страницы: меню, рейтинг, карточки, язык",
},
{
"name": "core",
"paths": ["src/App.tsx", "src/api.ts", "src/telegram.ts", "src/main.tsx"],
"description": "Ядро: App, api, telegram, входная точка",
},
{
"name": "infra_hooks_i18n",
"paths": ["src/hooks/", "src/i18n/"],
"description": "Инфраструктура: хуки, локализация",
},
{
"name": "infra_data_types",
"paths": ["src/styles/", "src/data/", "src/types/"],
"description": "Инфраструктура: стили, данные, типы",
},
]
# ============ 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 ============
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
lang = "typescript" if target.suffix in (".ts", ".tsx") else "javascript"
chunks.append(f"### FILE: {rel_str}\n```{lang}\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 f.name.endswith(".d.ts"):
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
lang = "typescript" if f.suffix in (".ts", ".tsx") else "javascript"
chunks.append(f"### FILE: {rel_str}\n```{lang}\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 React + TypeScript кода (Telegram Mini App).
Твоя задача — проанализировать код и вернуть СТРОГО JSON-массив находок.
ФОРМАТ ОТВЕТА (только JSON, без markdown, без пояснений):
[
{
"id": "КРАТКОЕ_ИМЯ_БАГА",
"file": "src/components/FeedModal.tsx",
"line": 120,
"snippet": "точное цитирование 1-3 строк из файла",
"severity": "user_impact",
"user_effect": "что видит пользователь: модалка не закрывается, картинка обрезается",
"repro": "открыть Feed → кликнуть по посту → модалка не реагирует на Escape",
"fix_hint": "добавить обработчик onKeyDown для Escape в useEffect",
"confidence": 0.86
}
]
ПРАВИЛА (соблюдай строго):
1. severity — только одно из: "user_impact", "data_risk", "maintainability".
2. snippet — ТОЧНАЯ цитата 1-3 строк из файла. Не перефразируй.
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.
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.
8. НЕ включай проблемы дизайна/стиля (отступы, цвета) — только функционал, безопасность, UX.
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 frontend проекта Filwords PL (Telegram Mini App).
Это React 19 + TypeScript + Vite + React Router.
Пак: **{pack_name}** — {pack_description}
Ищи ТОЛЬКО реальные проблемы:
1. Баги и логические ошибки (React hooks, useEffect, state)
2. Проблемы безопасности (XSS, утечки токенов, невалидные URL)
3. Проблемы UX (модалки не закрываются, кнопки не работают, скролл)
4. Утечки памяти (неотписанные слушатели, таймеры)
5. N+1 запросы к API
6. Отсутствие обработки ошибок (fetch без catch, loading без finally)
7. Дублирование кода и компонентов
8. Мёртвый код (неиспользуемые импорты, старые модалки)
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,
"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
# для диагностики, 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."""
return call_together_model(code, pack, MODEL_PRIMARY)
# ============ Парсинг и фильтрация JSON ============
def extract_json(text: str) -> list[dict]:
"""Извлекает находки из ответа модели."""
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.
"""
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] = {}
for k, f in p_map.items():
item = dict(f)
item["_source"] = "primary"
if k in s_map:
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
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.
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 пользователя",
"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 (Frontend)")
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 ============
def create_issue(title: str, body: str) -> str:
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)
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 (frontend): {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()