当前位置：首页 > news >正文

Phi-3.5-mini-instruct开发者案例：自动生成GitHub PR Description模板

news 2026/7/4 19:55:30

Phi-3.5-mini-instruct开发者案例：自动生成GitHub PR Description模板

1. 项目背景与价值

Phi-3.5-mini-instruct是微软推出的轻量级开源指令微调大模型，在长上下文代码理解和多语言任务上表现出色。这个案例将展示如何利用该模型自动生成高质量的GitHub PR描述模板，帮助开发者提升协作效率。

对于开发者来说，编写PR描述是一项重复性工作。好的PR描述应该包含：

变更目的
技术实现细节
测试验证情况
相关文档链接
截图或示例（如适用）

手动编写这些内容既耗时又容易遗漏关键信息。通过Phi-3.5-mini-instruct，我们可以实现：

根据代码变更自动生成描述初稿
保持团队PR描述风格一致
减少重复劳动，让开发者专注核心开发

2. 环境准备与模型部署

2.1 硬件要求

Phi-3.5-mini-instruct对硬件要求友好：

GPU: NVIDIA RTX 4090（23GB VRAM）
显存占用: 约7.7GB
模型大小: 约7.6GB

2.2 部署步骤

创建conda环境：

conda create -n phi35 python=3.10 conda activate phi35

安装依赖：

pip install transformers==4.57.6 gradio==6.6.0 torch==2.8.0

下载模型：

from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("microsoft/Phi-3.5-mini-instruct") tokenizer = AutoTokenizer.from_pretrained("microsoft/Phi-3.5-mini-instruct")

启动Gradio Web界面：

import gradio as gr def generate_text(prompt): inputs = tokenizer(prompt, return_tensors="pt") outputs = model.generate(**inputs, max_length=256) return tokenizer.decode(outputs[0], skip_special_tokens=True) gr.Interface(fn=generate_text, inputs="text", outputs="text").launch()

3. PR描述生成实现

3.1 核心代码实现

以下是使用Phi-3.5-mini-instruct生成PR描述的核心函数：

def generate_pr_description(code_diff, pr_title): prompt = f""" 你是一位专业的软件开发工程师，请根据以下代码变更和PR标题，生成一个结构清晰、内容完整的GitHub PR描述模板： PR标题: {pr_title} 代码变更: {code_diff} 请按照以下结构组织内容： 1. 变更目的：简要说明这个PR要解决的问题或实现的功能 2. 技术实现：描述主要的代码变更和技术方案 3. 测试验证：说明如何验证这些变更 4. 相关文档：列出相关的设计文档或参考资料 5. 截图示例：如有需要，描述应该包含的截图或示例 """ inputs = tokenizer(prompt, return_tensors="pt", max_length=1024, truncation=True) outputs = model.generate( **inputs, max_length=512, temperature=0.3, top_p=0.8, repetition_penalty=1.1 ) return tokenizer.decode(outputs[0], skip_special_tokens=True)

3.2 使用示例

假设我们有一个修复登录功能的PR：

code_diff = """ diff --git a/auth.py b/auth.py index 1234567..89abcde 100644 --- a/auth.py +++ b/auth.py @@ -15,6 +15,7 @@ def login(username, password): user = User.query.filter_by(username=username).first() if not user or not user.check_password(password): return {"error": "Invalid credentials"}, 401 + user.last_login = datetime.utcnow() db.session.commit() return {"message": "Login successful"} """ pr_title = "记录用户最后登录时间" description = generate_pr_description(code_diff, pr_title) print(description)

输出结果示例：

1. 变更目的： 本次PR主要解决用户登录后最后登录时间未被记录的问题，为后续用户行为分析提供基础数据。 2. 技术实现： - 在auth.py的login函数中添加了last_login时间记录 - 使用datetime.utcnow()获取当前UTC时间 - 确保在登录成功后立即提交到数据库 3. 测试验证： - 手动测试不同用户登录场景 - 验证数据库中的last_login字段是否正确更新 - 确保不影响原有登录功能 4. 相关文档： - 用户行为分析需求文档 #123 - 数据库设计文档 #45 5. 截图示例： [可选] 新增的last_login字段在用户表中的展示效果

4. 进阶优化技巧

4.1 提升生成质量

通过调整生成参数可以获得更符合需求的输出：

def optimize_generation(prompt): inputs = tokenizer(prompt, return_tensors="pt") outputs = model.generate( **inputs, max_length=512, temperature=0.2, # 更低温度使输出更确定 top_p=0.9, # 增加多样性 top_k=50, # 限制候选词数量 repetition_penalty=1.2, # 减少重复 num_return_sequences=3, # 生成多个候选 do_sample=True ) return [tokenizer.decode(output, skip_special_tokens=True) for output in outputs]

4.2 集成到CI/CD流程

可以将PR描述生成集成到GitHub Actions工作流中：

name: Generate PR Description on: [pull_request] jobs: generate-description: runs-on: ubuntu-latest steps: - uses: actions/checkout@v2 - name: Set up Python uses: actions/setup-python@v2 with: python-version: '3.10' - name: Install dependencies run: | pip install transformers torch - name: Generate PR description run: | python generate_pr_desc.py ${{ github.event.pull_request.title }} ${{ github.event.pull_request.diff_url }} > description.md - name: Update PR description uses: actions/github-script@v5 with: script: | await github.rest.pulls.update({ owner: context.repo.owner, repo: context.repo.repo, pull_number: context.payload.pull_request.number, body: fs.readFileSync('description.md', 'utf8') })