一. 背景

随着大型语言模型的迅猛增长，各种模型在各个领域的应用如雨后春笋般迅速涌现。在研发全流程的效能方面，也出现了一系列贯穿全流程的提效和质量工具，比如针对成本较高的Oncall，首先出现了高质量的RAG助手；在开发阶段的Copilot、Comate、Tabnine等辅助编程应工具；在测试阶段，也有缺陷检查、安全合规检查、智能Code Review等工具；哪怕在交付阶段，也有替代人工的自动化Agent...当使用git commit提交代码时，需要写繁杂的CommitMessage，有时候写了后却不符合提交规范被hook，有时候还被CodeReview的同学点评写不到点上...智能CommitMessage就是这样一个小助手，帮你按照提交规范自动生成符合规范的CommitMessage。以百度APP 的提交规范为例，规范包括提交类别、产品版本、需求卡片、变更摘要等，其中类别又包括：功能、更新、优化、提测、上车、Merge、FixBug等，手动抒写较为复杂。按照CommitMessage的组合标准，可以分为两个部分：规范格式 + 变更摘要：CommitMessage组成部分

• 普通摘要类：提交规范格式 + 变更摘要
• FixBug类：提交规范格式 + 变更摘要（包括bug原因、影响、修复方式等）

其中运用大模型能力生成变更摘要部分，而提交规范格式及其他标签由个性化插件定制，即可对不同业务线/产品线可定制符合提交规范的CommitMessage。智能CommitMessage的最终使用效果如下：

git aicommit 用法示例

下面就以智能CommitMessage为例，介绍下大模型效能工具开发流程，主要包括：

• 简单的功能设计

• 应用指标和模型评估指标

• 大模型数据处理过程

• 模型性能优化的几种方式

二.功能与设计

用户入口一：git aicommit

Git是高效便捷的版本控制系统，虽然百度APP移动端已经多仓库化，随着组件化进程的完善，有至少有一半的需求不需要跨仓库提交而使用Git。

用户入口二：mgit aicommit

MGit (https://github.com/baidu/m-git)是百度自研的一套开源的、基于Git的多仓库管理工具，针对多仓库的应用场景安全地、高效的管理多个Git仓库，在基础版本之上增加MGit插件即可扩展或者修改原命令。

对入口的基本要求：

1. Git/MGit入口的使用不影响原有git/mgit commit功能的使用，只是能力扩展

2. 保证Git和MGit的入口分离的同时，保证功能统一，低成本维护

   
   

处理方式：抽象实现共用模块git-aicommit，该模块由MGit插件和Git alias命令直接调用，开发语言选型ruby，便于 MGit 插件直接调用。

git-aicommit模块：提取所有提交仓库中Git暂存区内的变更内容，请求模型服务生成Commit Message。

• MGit/Git入口，即用户使用入口，对于MGit插件可以参考MGit如何扩展(https://github.com/baidu/m-git)；Git Alias按如下配置即可：

# 给 git 添加 Alias：git aicommit$ git config --global alias.aicommit '!f() { ruby -e '''require "git-aicommit"; MGit::GitAICommit.run(ARGV);''' -- "$@"; }; f'

• 个性化插件：提交规范的格式定制，任何不同的提交规范均可定制为独立的插件，详细参考下面自定义提交规范章节。
• 模型服务：接受git-aicommit模块的请求，调用LLM生成CommitMessage摘要内容，加载对应的个性化插件生成最终的CommitMessage。

三. 评估指标

管理学之父彼得·德鲁克说过：“If you can't measure it, you can't manage it.”。

度量指标对于模型选择、后续Prompt调优以及SFT都至关重要，因为它决定了优化的标准。

生成CommitMessage时，既需要理解变更的代码，也需要生成对应的摘要、评估影响等，生成式大模型适合此类任务，当前生成式大模型在市面上也百花齐放，经过综合评估使用成本（包括数据管理、部署运维、性能调优、Prompt和模型评估）、生成质量、安全风险等方面的考虑，我们选择了百度智能云千帆平台的ERNIE4（文心4）。

针对此类摘要任务，常用的度量指标有BLEU Score、ROUGE Score、BERT Score、PPL、MSE等，结合生成CommitMessage的任务特性，最终确定模型和产品的核心指标：

• 模型性能指标：MSE（Mean Squared Error，均方误差），用于衡量生成的文本序列与参考CommitMessage的文本序列之间的语义相似度；

• 用户使用指标：AR（Acceptance Rate，直接采纳率），也叫用户直接满足度，针对模型服务生成的CommitMessage，用户直接采纳的次数相对于总的使用次数的占比

丨3.1 均方误差MSE（Mean Squared Error）

参考CommitMessage的文本序列，指高质量的、简洁的、准确的、标准的CommitMessage，客观标准是至少包括：为什么修改（Why）、改了什么（What）、影响面（可选），主观标准是人工筛选并提取。

根据定义，计算MSE即计算两段文本的语义相似度差值，简单的分为如下三个步骤：

1. 文本Embedding向量化：

• 将两段文本转换为向量表示。大模型时代Embedding的方式太多太多了，这里依然直接选用了千帆的Embedding方式。

• 向量差异计算：

• 计算两段文本的向量表示间的差异或距离时，我们选择使用余弦相似度；尽管欧几里得距离和马氏距离也是常用的方法，但针对CommitMessage这种长度不一致的向量时，余弦相似度表现更为准确。

• 均方误差计算：

• 将差异或距离平方，然后计算平均值以得到均方误差。

• 
  

• 其中，xi 和 yi 是两段文本在第 i 个维度上的表示，n 是维度数量。
  

本文多次提交两个概念： 




参考CommitMessage：可以是RD生成已提交入库的，也可以由大模型生成、经过人工标注的保证质量的CommitMessage，作为评估的标准yi




生成CommitMessage：由大模型生成的CommitMessage，评估输入的判定项xi

丨3.1 直接采纳率AR（Adoption Rate）

总的使用次数包括3个结果：

• 直接采纳数 CA

• 编辑采纳数 CE

• 拒绝数 CR

四. 数据处理

大模型应用开发为了更好的性能（包括生成质量、效率、准确度、采纳率），数据处理的成本投入较高，通常占据整个应用开发投入的相当大的比例，有时甚至可能超过模型训练和调优的工作量。总之，有效和高效的数据处理是提升模型性能的关键因素，因此在项目计划和资源分配中应给予足够的重视和投入。数据处理的目标就是管理（增删改/标查）好数据集，产物是各类数据集，数据集的最终应用场景是模型的性能优化（模型选择、Prompt优化、SFT），也就是说，如果不做性能优化，就可以不用做数据处理。

数据集与性能优化的关系如下：

• 评估集，模型选择、Prompt调优、SFT后都需要评估集对本次调优进行评估，是否比之前的好，是否达到调优的效果

• 训练集，指用于SFT的标注数据，根据特征从总数据集中筛选

• 验证集，验证集是用来调整模型超参数，避免过拟合或欠拟合

• 测试集，SFT后测试是否达到SFT的目的，比如针对某个异常case评估其泛化能力

• 异常集，标注环节明确的低质量的CommitMessage数据，特别是大模型生成未被直接采纳的数据
这里介绍下大体的过程及其作用，细节不做展开：

• 定义数据结构：模型数据（需求/bug卡片标题、变更数据）、参考CommitMessage、类别数据（是否bug、变更行、仓库数）、辅助分析数据（产品线、平台、作者、Topic）等

• 数据采集：来源于：①线上模型服务生成的CommitMessage；②存量RD已提交入库的CommitMessage；③其他开源数据集

• 数据清洗：去噪、去重等处理，确保数据的质量和可用性

• 标注与注释：标注本条数据作为参考CommitMessage的质量，其他辅助分析信息

• 分类与管理：抽样配比、过滤筛选、查看等
根据我们当前的数据体量，选择了Pandas(https://pandas.pydata.org/)作为数据处理工具，它对小规模数据和单机环境提供了够用的数据处理和分析功能。然而，随着数据体量的逐步增大，Spark(https://spark.apache.org/)将是一个不错的选择。

五. 性能优化

性能优化的目标是提升性能指标，包括核心指标均方误差MSE和生成效率，进而提升用户直接采纳率AR，手段包括如下三种：

• 停止标记（Stop Token），可提升生成效率

• Prompt优化，可优化MSE指标和提升生成效率

• SFT可优化MSE指标

丨5.1 停止标记

当模型对Prompt理解不完全时，容易生成多余的解释或注意事项等无效内容，生成更多的Token导致生成效率降低（生成效率与生成的Token长度直接相关），而所有Transformer模型中都设计有停止标记，比如智能CommitMessage里调用模型的输出是一个Markdown的json，以“%STOP%”结尾，可指定停止标识为“%STOP%”以提高生成效率。

丨5.2 Prompt优化

简单说Prompt优化就是设计和优化输入Prompts以获得期望的输出。看似一个简单的NLP任务，却又叫Prompt工程？因为需要让大模型更好的理解期望的需求，确实涉及多学科的知识，比如融合语言学、心理学、计算机科学、数据科学，也包括整套工程方法：系统设计、实验设计、质量控制、项目管理等等方面。智能CommitMessage里涉及的两个优化点：

1. 限制输出内容，明确要求

CommitMessage调用模型的输出要求是Markdown的json，如果模型输出不是正常的json将导致解析异常，此时在Prompt中明确要求『请仅输出内容，不要做任何解释』可避免生成无效内容，提高生成效率和准确性。

2. Few-shot

Prompt优化里有个优化在限制输出样式的情况下非常有效 --Few-shot，以示例让大模型理解并限制输出样式，要求输出一个Markdown 的多行的 json 数据，样例：

按以下格式输出CommitMessage，只是一个markdown的代码片段，包含在"```json" 和 "```"内，『请仅输出内容，不要做任何解释』:```json{"summary": string// 少于30字的中文，简洁的、准确的描述Git Commit Message"reason": string// 分析修复方式，详细描述这个bug出现的具体原因，可以引用代码，少于60字"fixup": string// 分析修复方式，简洁、准确的描述修复方式，可以引用代码，少于30字}```

这里的样例不是一个标准的json格式（多行换行时缺少“,”），大模型可能按照该格式输出，也可能按照正确的json格式输出，所以存在一个异常问题的不确定性，可通过完善该Few-shot完全避免该问题：

按以下格式输出CommitMessage，只是一个markdown的代码片段，包含在"```json" 和 "```"内，『请仅输出内容，不要做任何解释』:```json{"summary": string,// 少于30字的中文，简洁的、准确的描述Git Commit Message"reason": string,// 分析修复方式，详细描述这个bug出现的具体原因，可以引用代码，少于60字"fixup": string// 分析修复方式，简洁、准确的描述修复方式，可以引用代码，少于30字}```

这里有个类似的概念：Prompt Tuning，Few-shot 和 Prompt Tuning都是优化和调整大型语言模型输入提示的方法，但有着本质上的区别：

	侧重	方法	应用
Prompt Few-shot	局部，当次	自我训练和微调	个性化的需求
Prompt Tuning	全局	Prompt示例	个性化的需求

附上智能CommitMessage的部分Prompt（持续优化中）：

角色名称：Git Commit Message Generator通俗易懂的角色描述：基于需求描述和实现该需求的git diff变更代码，自动生成规范的git提交信息。需求描述的标题如下：{{%title}}
git diff变更代码如下：(DIFF-START){{%git_diff}}(DIFF-END)
任务拆解1. 解析需求标题：提取关键信息，如功能点、问题点等。对文本进行清洗，去除无关字符和格式。2. 分析git diff变更代码：识别变更的文件和代码块。分析代码变更的类型（如新增、修改、删除等）。3. 生成Commit Message：结合需求标题以及代码变更分析，编写Commit Message。确保提取的内容符合对应项的要求，如“summary: 少于30字的中文，简洁的、准确的描述Git Commit Message”等。4. 验证Commit Message：检查Commit Message是否清晰、准确。5. 按以下格式输出CommitMessage，只是一个markdown的代码片段，包含在"```json" 和 "```"内，『请仅输出内容，不要做任何解释』:```json{"summary": string// 少于30字的中文，简洁的、准确的描述Git Commit Message}```%STOP%

丨5.3 SFT

因为文心4的模型能力已经有非常出色的生成能力，在这种大模型上做SFT成本非常高，所以一般会采用ERNIE-lite版本或者ERNIE-Speed版本，但是性能稍逊一筹，那如何保证在ERNIE-Speed版本中SFT后既能不降低整体性能，又能优化低质量case？这里可以采用MoE（Mixture of Experts）的策略，用一个分类器来结合ERNIE4 + （ERNIE-Speed + SFT）各自的优势，即请求优先经过一个分类器，根据请求的特征进行分类请求ERNIE4或者经过SFT后的ERNIE-Speed模型，如下图示例：部署前记得SFT评估数据集的全量评估，MSE优于线上保证本次SFT后的ERNIE-Speed模型比上次的更好。SFT的全过程应该包含四个步骤：
1. 确定目标：优化某个/某类低质量的数据case，微调后达到评估多少分值
2. 数据准备：基于该case提取低质量case的特征，向数据集里筛选出训练集、验证集和测试集
3. SFT过程：如上图所示
4. 评估部署：根据抽样配比的评估集进行全量评估，保证本次SFT后的ERNIE-Speed模型比上次的更好

六. 自定义提交规范

由于大模型只生成核心的变更摘要或者Fixbug的相关信息，而最终需要组合成各式各样的提交规范格式，所以可以将变化抽象为接口，可扩展python package实现接口达成自定义符合提交规范的CommitMessage，按需动态加载实现的插件。

抽象接口如下：

from abc import ABC, abstractmethod
class IPluginHook(ABC):"""插件实现的接口定义"""@abstractmethoddef hook_prepare(self, ctx):"""准备"""
@abstractmethoddef hook_is_fix_bug(self, ctx) -> bool:"""是否fixbug的提交类型，默认false"""
@abstractmethoddef hook_language(self, ctx) -> Language:"""生成语言，默认中文"""
@abstractmethoddef hook_generate_variables(self, ctx):"""生成模板的变量"""
@abstractmethoddef hook_generate_message(self, ctx) -> str:"""根据模板和变量，生成CommitMessage@warning: 该方法插件必须实现，否则将报出异常"""

加载某个插件的某个版本时，根据pkg_resources判定是已加载，然后配合 importlib进行import_module或者reload即可实现动态加载插件

def __install_plugin(pkg_name: str, version: str):"""安装插件"""subprocess.check_call([sys.executable, '-m', 'pip', 'install', f"{pkg_name}=={version}"])return __load_module(pkg_name, force=True)
def __load_module(pkg_name: str, force: bool = False):"""加载module"""module_name = __module_name(pkg_name)loaded_module = sys.modules.get(module_name)if loaded_module is not None:if force:m = importlib.reload(loaded_module)importlib.reload(pkg_resources)return mreturn loaded_modulem = importlib.import_module(module_name)importlib.reload(pkg_resources)return m

七. 未来

大模型对各类语言的代码理解上展现了卓越的能力，但对专有词汇、特定配置、固定格式等的理解依然存在不足，都需要合适的数据集来逐步优化；并且git diff获取的变更内容有限，受限于模型Token的限制，理解时缺少代码的上下文、依赖关系的关联导致生成质量存在瓶颈，结合RAG或许是一个较好的方式；使用入口的交互性、自定义提交规范都可以更AI，总之：AI Native 尚未成功，同志仍须努力。