基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-17 22:26

为代码审查智能体精简合并请求上下文

dev.to · AI#上下文工程#MCP#GitLab
Editor brief · 编辑速览

文章讨论如何将原始GraphQL合并请求数据转换为适合LLM消费的上下文,减少分页结构、颜色和界面元数据。重点保留审查人、标签、合并状态、更新时间及diffHeadSha等影响审查决策的信息。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

给 AI 编程助手接入代码平台,接口返回得越全,助手就越好用吗?这篇文章给出的答案是否定的:供页面渲染的 Merge Request 数据,直接塞进模型上下文,会让大量预算消耗在颜色、内部 ID 和嵌套结构上。

作者围绕 GitLab 的 MCP 工具做了一次字段裁剪与结构转换:查询 100 个 MR 时,JSON 响应从 132 KB 降到 80 KB,并通过预加载关联避免 N+1 查询。对正在开发 AI 工具接口的程序员来说,它最有价值的提醒是:模型需要专门的数据契约。

模型需要哪些信息,和页面需要的不一样

作者把这层处理称为上下文水合(Context Hydration):将数据库或 GraphQL 中的业务实体,转换成适合通过 Model Context Protocol(MCP)交给模型的信息。可以把它理解为,在查询结果进入上下文之前,先做一次面向任务的数据整理。

MR 看板需要头像 URL、标签背景色、文字对比度和 GraphQL __typename,因为浏览器要把页面画出来。但负责分派评审、检查合并条件的 agent,更需要这些字段:

  • reviewers 和 labels,用于判断评审责任人与任务分类。
  • draft 和 detailedMergeStatus,用于识别草稿和合并准备状态。
  • createdAt 和 updatedAt,用于判断任务的新旧及近期变化。
  • diffHeadSha,用于明确当前对应的提交状态。

工具响应应该围绕模型要做的判断组织,而不是照搬页面的数据结构。

这不是简单地让响应越短越好。删掉颜色通常不影响评审判断,删掉提交标识却可能让后续操作失去准确的版本依据。字段是否保留,要看它是否参与决策。

从 132 KB 降到 80 KB,具体改了什么

作者在 gitlab-org/gitlab 的 MR !270521 中,为解决 Issue #639870,扩展了 list_merge_requests 和 get_merge_request 的读取字段及评审人筛选能力。前者经过 GraphQL 支撑的 ListMergeRequestsService,后者走 REST 管线。

问题出在标签对象上。查询 100 个 MR 时,如果完整返回 id、title、color、description、textColor,序列化 JSON 会从 80 KB 增至 132 KB。多出的 52 KB,作者估算约为 13,000 tokens。

作者没有绕过 GitLab 的 GraphQL 校验,而是在 app/graphql/queries/mcp/merge_requests/list_merge_requests.query.graphql 中,只选择需要的标量叶子字段。下面这段选择集解决的是「标签只取名称」的问题:

labels { nodes { title } }

关键在 title:既保留了明确的字段选择,满足 @graphql-eslint/require-selections,又不查询其他标签属性。

查询后,作者再用 format_merge_request 做转换,把 { "nodes": [{ "title": "..." }] } 压平成 ["backend", "type::feature"] 这样的字符串数组。前一步减少取回的数据,后一步去掉模型消费时用不上的连接结构。

数据库侧也做了处理。作者使用批量预加载关联,并通过 ActiveRecord::QueryRecorder,在 CE(FOSS_ONLY=1)与 EE 的测试中验证没有 N+1 查询,也就是避免每多处理一个 MR,就额外查询一次关联数据。

最终,100 个 MR 的响应回到 80 KB。

我的判断

这套做法最值得采用的地方,是把 MCP 响应作为独立接口设计。前端开发者很熟悉为页面整理数据;给模型提供工具,也应该明确它需要哪些字段、字段如何表达,以及一次调用会返回多少内容。

不过,原文的数字需要分开看。132 KB 降到 80 KB,按字节计算约减少 39.4%;作者将其表述为上下文消耗减少约 40%,但没有交代 tokenizer、模型或实际 token 计数方法。开头「40% 的 token 预算被浪费」也缺少完整测量条件,不能直接推广到所有 agent。

此外,作者报告了响应体积和数据库查询验证,却没有给出 agent 判断准确率、任务完成率或延迟的对照数据。「一次处理 100+ 个企业 MR」是文章宣称的用途,不能据此认定任务效果已经得到验证。

完整标签对象也并非永远无用。如果任务要解释标签含义,description 就可能参与判断。相较于统一返回全部字段,更合理的取舍是按任务提供精简字段;需要更多信息时,再通过详情读取补足。具体是否要采用这种方式,仍取决于调用次数和任务需求。

能拿来做什么

  • 给 Node 或其他后端实现 MCP 工具时,先列出 agent 要做的判断,再确定响应字段,并为查询结果设置专门的转换层。
  • 接入已有 GraphQL 接口时,同时检查选择集和最终 JSON;只裁剪字段,仍可能留下大量 edges、nodes 包装。
  • 为列表工具选取有代表性的批量请求,记录序列化体积、实际 token 数和数据库查询次数,分别验证上下文成本与查询效率。
  • 给 AI 代码评审助手保留评审人、合并状态和提交标识等决策信息;裁剪字段后,再检查它能否完成原来的评审任务。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
子智能体权限测试别绕过真实校验
下一篇
Grok 智能体被曝越权且拒绝停止

资讯速览

dev.to · AI · 2026-11-17 22:26

AI 评分 8.0 / 10

相关标签

#上下文工程#MCP#GitLab

继续阅读

  • 代码仓库如何成为智能体注入入口
  • 子智能体权限测试别绕过真实校验
  • Grok 智能体被曝越权且拒绝停止
  • 英伟达发布科研智能体与新HPC平台
  • 从攻击者的 Agent 配置反查安全漏洞