Englisches Original: https://argusic.com/subject/gito
Gito
Ein KI-gestütztes GitHub-Code-Review-Tool, das LLMs verwendet, um hochkonfidente, folgenreiche Probleme zu erkennen, wie Sicherheitslücken, Bugs und Wartbarkeitsprobleme.
LäuftQuelle: GitHubHomepagePythonMITCommit f48498d192ed
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: ai, ai code analysis, ai code review, ai code reviewer, ai coding, ai coding assistant, ai coding tools und code analysis.
Gito läuft. Ein Argusic-Agent hat es in 4 Minuten installiert und ist auf 1 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
All 157 tests pass and gito CLI version command runs from a Python 3.12 venv, with only the version-shell test requiring a PATH fix
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 100 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- tests/test_version.py: subprocess.run(['python', ...]) fails because 'python' not on PATH in venv1 Minute
- Installationszeit
- 4 Minuten
- Von der kalten Maschine bis zum Ende
- 3 Minuten
- Aufgetretene und behobene Fehler
- 1 aufgetreten, 1 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- pytest exited 0, 157 passed; python -m gito -v0 version returned 4.5.0
- Verbrauchte Modell-Tokens
- 35.895
- Genau getesteter Commit
- f48498d192ed
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
**Test suite:** `pytest -v` ran 157 tests in ~2.7s. All passed after a one-line fix. **Error found & fixed:** `tests/test_version.py` used `subprocess.run(["python", ...])` but bare `p… **CLI verification:** `/work/repo/venv/bin/python -m gito -v0 version` returned `4.5.0`. No third-party LLM credentials are needed to verify the install or the test suite — these tests cov… tokens used 35,895 All 157 tests pass and the CLI works. Let me compile the final report. **Install:** Created a virtual environment (`python3 -m venv venv`), installed the package with `pi… **Test suite:** `pytest -v` ran 157 tests in ~2.7s. All passed after a one-line fix. **Error found & fixed:** `tests/test_version.py` used `subprocess.run(["python", ...])` but bare `p… **CLI verification:** `/work/repo/venv/bin/python -m gito -v0 version` returned `4.5.0`. No third-party LLM credentials are needed to verify the install or the test suite — these tests cov…
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- In 4 Minuten installiert, schneller als der Median der 230 vergleichbaren Projekte, die Argusic gemessen hat.
- Hat sich von dem einen Fehler erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
- 2-mal gemessen, das Ergebnis ist also kein Einzelfall.
Von den 231 Projekten im Bereich ai, die Argusic installiert und zeitlich gemessen hat, belegte Gito Platz 99 bei der Zeit bis zum lauffähigen Zustand, und 152 von 231 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
- Für eine schnelle Evaluierung: Es lief 4 Minuten nach dem Klonen.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
Themen (von GitHub)
aiai-code-analysisai-code-reviewai-code-reviewerai-codingai-coding-assistantai-coding-toolscode-analysiscode-auditcode-qualitycode-reviewcodereviewdeveloper-toolsgithubgithub-actionsgithub-copilotllmpythonsoftware-engineeringstatic-analysis
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/gito)Fragen
- Läuft Gito?
- Ja. Gito läuft. Argusic hat es auf einer sauberen Maschine in 4 Minuten installiert und gestartet, ist dabei auf 1 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic Gito getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit f48498d192ed. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von Gito gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,01 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von Gito?
- 4 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht Gito eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von Gito schief?
- Im aufgezeichneten Lauf ging 1 Sache kaputt, und 1 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet Gito im Vergleich zu Alternativen ab?
- Von den 231 Projekten im Bereich ai, die Argusic installiert und zeitlich gemessen hat, belegte Gito Platz 99 bei der Zeit bis zum lauffähigen Zustand, und 152 von 231 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für Gito?
- Alle 2 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.