git-ai

GitHub
1.5k 126 非常简单 2 次阅读 今天Apache-2.0开发框架图像Agent
AI 解读 由 AI 自动生成,仅供参考

git-ai 是一个开源的 Git 扩展,专门用于追踪代码库中由 AI 生成的代码。它在你正常提交代码时自动记录每一行 AI 代码的来源,包括使用的 AI 模型、智能体(如 GitHub Copilot、Claude、Cursor 等)以及对应的对话记录,帮助团队清晰了解代码背后的意图和设计决策。

随着 AI 编程工具广泛使用,开发者常常难以分辨哪些代码是 AI 生成的,也容易丢失上下文信息。git-ai 解决了这一痛点,提供精准的 AI 代码归属,避免“猜哪段是 AI 写的”这类不可靠做法。

它主要面向使用 AI 辅助编程的开发者和工程团队,尤其适合对代码可追溯性、协作透明度有较高要求的项目。git-ai 的技术亮点在于:无需改变现有开发流程,完全离线运行,不依赖云端服务;采用 Git Notes 实现本地化存储,并遵循开放标准,确保数据可控且兼容性强。安装后即可自动生效,真正做到“无感集成、精准追踪”。

使用场景

某金融科技团队正在开发一个高并发交易系统,多名工程师频繁使用 GitHub Copilot 和 Claude 编写核心模块代码,并混合人工修改。

没有 git-ai 时

  • AI 生成的代码与人工代码混杂在同一个提交中,无法区分哪些逻辑由模型产出,导致代码审查时难以评估可靠性。
  • 当某段 AI 生成的订单校验逻辑出现边界错误时,团队无法追溯原始提示词和对话上下文,修复效率低下。
  • 新成员接手项目后,面对大量“无作者意图”的代码,难以理解设计初衷,只能靠猜测或反复询问老成员。
  • 团队曾误将一段 Copilot 自动生成但未经充分测试的并发控制代码上线,因缺乏明确标识而未被重点测试。
  • 审计合规要求记录关键代码的生成来源,但现有 Git 历史无法提供 AI 使用证据,需额外维护文档。

使用 git-ai 后

  • 每次 git commit 自动显示 AI 代码占比,审查者可针对性聚焦高风险 AI 区域,提升评审效率。
  • 通过 git-ai blame 直接看到某行代码由 “claude [session_id]” 生成,点击即可查看当时的完整对话记录,快速定位问题根源。
  • 新成员使用 git-ai blame 查看关键函数时,能同步了解 AI 生成时的业务约束和架构假设,大幅降低理解成本。
  • CI 流程集成 git-ai 数据,在检测到高比例 AI 代码变更时自动触发额外测试套件,防止未经验证的生成代码流入生产。
  • 合规审计时,团队直接导出 Git Notes 中的 AI 元数据,满足对 AI 辅助开发过程的透明性要求。

git-ai 在不改变开发者习惯的前提下,为 AI 生成代码赋予可追溯、可审计、可理解的“数字身份”。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes支持 Mac、Linux 和 Windows(包括 WSL 和非 WSL 环境);工具为本地优先,100% 离线运行,无需登录;通过 Git Notes 跟踪 AI 生成代码,不修改现有 Git 工作流;安装后自动集成到 Git,无需每个仓库单独配置。
python未说明
git-ai hero image

快速开始

git-ai Discord

Git AI Logo

Git AI 是一个开源的 Git 扩展工具,用于追踪你代码仓库中的 AI 生成代码。

安装后,它会自动将每一行 AI 编写的代码关联到生成它的 AI Agent(智能体)、模型(Model)以及对话记录(Transcripts),确保你永远不会丢失代码背后的意图、需求和架构决策。

每次提交都带有 AI 归属信息:

git commit

[hooks-doctor 0afe44b2] wsl compat check
 2 files changed, 81 insertions(+), 3 deletions(-)
you  ██░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░ ai
     6%             mixed   2%             92%

AI Blame 显示每行代码背后的模型、Agent 和会话:

git-ai blame /src/log_fmt/authorship_log.rs


cb832b7 (Aidan Cunniffe      2025-12-13 08:16:29 -0500  133) pub fn execute_diff(
cb832b7 (Aidan Cunniffe      2025-12-13 08:16:29 -0500  134)     repo: &Repository,
cb832b7 (Aidan Cunniffe      2025-12-13 08:16:29 -0500  135)     spec: DiffSpec,
cb832b7 (Aidan Cunniffe      2025-12-13 08:16:29 -0500  136)     format: DiffFormat,
cb832b7 (Aidan Cunniffe      2025-12-13 08:16:29 -0500  137) ) -> Result<String, GitAiError> {
fe2c4c8 (claude [session_id] 2025-12-02 19:25:13 -0500  138)     // Resolve commits to get from/to SHAs
fe2c4c8 (claude [session_id] 2025-12-02 19:25:13 -0500  139)     let (from_commit, to_commit) = match spec {
fe2c4c8 (claude [session_id] 2025-12-02 19:25:13 -0500  140)         DiffSpec::TwoCommit(start, end) => {
fe2c4c8 (claude [session_id] 2025-12-02 19:25:13 -0500  141)             // Resolve both commits
fe2c4c8 (claude [session_id] 2025-12-02 19:25:13 -0500  142)             let from = resolve_commit(repo, &start)?;...

支持的 Agent(智能体)

Claude Code Codex Cursor OpenCode Windsurf Amp Gemini GitHub Copilot Continue Droid Junie Rovo Dev

+ 添加对其他 Agent 的支持

安装

Mac、Linux、Windows(WSL)

curl -sSL https://usegitai.com/install.sh | bash

Windows(非 WSL)

powershell -NoProfile -ExecutionPolicy Bypass -Command "irm https://usegitai.com/install.ps1 | iex"

就这样 —— 无需为每个仓库单独配置。像平常一样提示(prompt)并提交即可。Git AI 会自动追踪归属信息。

我们的设计理念

  • 无需改变工作流 —— 只需正常提示和提交。Git AI 能准确追踪 AI 代码,且不会污染你的 Git 历史。
  • “检测”AI 代码是一种反模式 —— Git AI 不会猜测某段代码是否由 AI 生成。受支持的 Agent 会明确报告它们编写了哪些行,从而提供最准确的归属信息。
  • 本地优先(Local-first) —— 完全离线运行,无需登录。
  • 原生集成 Git 并采用开放标准 —— Git AI 使用基于 开放标准 的 Git Notes 来追踪 AI 生成的代码。
  • 对话记录不存入 Git —— Git Notes 仅包含指向对话记录的指针,这些记录可存储在本地、Git AI 云服务或自托管的提示存储中,确保你的仓库保持精简、不含敏感信息,并让你完全掌控自己的数据。
个人使用 团队协作
Solo — everything stays on your machine For teams — shared context across your team
  • AI 作者信息存储在 Git Notes 中,指针指向本地 SQLite 存储的对话记录
  • 对话记录仅保存在本地计算机上
  • 可随时重启任意对话记录
  • 使用 git-ai stats 跨提交统计 AI 代码占比
  • AI 作者信息存储在 Git Notes 中,指针指向云端或自托管的对话记录存储,内置访问控制、密钥脱敏和 PII(个人身份信息)过滤
  • Agent 和工程师可查看任意 AI 生成代码块的原始对话记录和摘要
  • 任何贡献者均可重启任意对话记录
  • 提供高级跨 Agent 仪表盘,用于衡量团队的 AI 采用率、代码持久性,并比较不同 Agent 的表现

点击此处申请抢先体验

通过 /ask 技能理解“为什么”

看到不理解的代码?/ask 技能让你直接与编写该代码的 Agent 对话,了解其指令、决策过程,以及分配任务的工程师的原始意图。

Git AI 在安装时会自动将 /ask 技能添加到 ~/.agents/skills/~/.claude/skills/ 目录中,因此你可以在 Cursor、Claude Code、Copilot、Codex 等工具中直接输入 /ask 来调用:

/ask Why didn't we use the SDK here?

能够访问原始意图和源代码的 Agent 才真正理解“为什么”。仅能阅读代码的 Agent 只能告诉你代码“做了什么”,但无法解释“为什么这样做”:

阅读代码 + 对话记录(使用 /ask 仅阅读代码(未使用 Git AI)
Aidan 在构建遥测功能时,指示 Agent 不要阻塞 CLI 退出流程来刷新遥测数据。因此我们没有直接使用 Sentry SDK,而是设计了一种先通过 append_envelope() 将事件本地写入、再通过分离的子进程在后台刷新的模式。这保证了关键路径的性能,并在事后异步发送遥测数据。 src/commands/flush_logs.rs 是一个 5 行的包装器,委托给 src/observability/flush.rs(约 700 行)。commands/ 层负责 CLI 调度;observability/ 层处理 Sentry、PostHog、指标上传和日志处理。类似 flush_casflush_logsflush_metrics_db 等并行模块均采用相同的轻量调度模式。

让你的智能体(Agents)更聪明

当智能体理解其所构建代码背后的需求和决策时,它们会犯更少的错误,并产出更易维护的代码。提供这种上下文的最佳方式,就是给智能体配备与你自己使用的相同的 /ask 工具。告诉你的智能体在计划模式(plan mode)下使用 /ask

Claude|AGENTS.md

- 在计划模式下,始终使用 /ask 技能来阅读代码及其生成时的原始对话记录(transcript)。理解意图将帮助你制定更好的计划。

AI Blame(AI 代码归属)

Git AI blame 是 git blame 的直接替代品,用于显示每一行代码的 AI 归属信息。它支持 所有标准的 git blame 参数

git-ai blame /src/log_fmt/authorship_log.rs
cb832b7 (Aidan Cunniffe 2025-12-13 08:16:29 -0500  133) pub fn execute_diff(
cb832b7 (Aidan Cunniffe 2025-12-13 08:16:29 -0500  134)     repo: &Repository,
cb832b7 (Aidan Cunniffe 2025-12-13 08:16:29 -0500  135)     spec: DiffSpec,
cb832b7 (Aidan Cunniffe 2025-12-13 08:16:29 -0500  136)     format: DiffFormat,
cb832b7 (Aidan Cunniffe 2025-12-13 08:16:29 -0500  137) ) -> Result<String, GitAiError> {
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  138)     // Resolve commits to get from/to SHAs
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  139)     let (from_commit, to_commit) = match spec {
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  140)         DiffSpec::TwoCommit(start, end) => {
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  141)             // Resolve both commits
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  142)             let from = resolve_commit(repo, &start)?;
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  143)             let to = resolve_commit(repo, &end)?;
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  144)             (from, to)
fe2c4c8 (claude         2025-12-02 19:25:13 -0500  145)         }

IDE 插件

在编辑器侧边栏(gutter)中显示 AI blame 标记,并按智能体会话(agent session)进行颜色编码。将鼠标悬停在某一行上,即可查看原始提示(prompt)或摘要信息。

支持的编辑器
Git AI VS Code extension showing color-coded AI blame in the gutter

跨智能体可观测性(Cross Agent Observability)

Git AI 从提示(prompt)到生产环境全程收集跨智能体(cross-agent)遥测数据。跟踪 AI 生成的代码有多少被接受、提交、通过代码审查并最终进入生产环境——从而帮助你识别哪些工具和实践对团队最有效。

git-ai stats --json

了解更多:Stats 命令参考文档

{
  "human_additions": 28,
  "mixed_additions": 5,
  "ai_additions": 76,
  "ai_accepted": 47,
  "total_ai_additions": 120,
  "total_ai_deletions": 34,
  "time_waiting_for_ai": 240,
  "tool_model_breakdown": {
    "claude_code/claude-sonnet-4-5-20250929": {
      "ai_additions": 76,
      "mixed_additions": 5,
      "ai_accepted": 47,
      "total_ai_additions": 120,
      "total_ai_deletions": 34,
      "time_waiting_for_ai": 240
    }
  }
}

为了实现团队级可见性,Git AI Enterprise 在 Pull Request(PR)、代码仓库(repository)和组织(organization)层面聚合数据:

  • AI 代码构成 —— 跟踪整个组织中 AI 生成代码所占的百分比。
  • 完整生命周期追踪 —— 查看有多少 AI 代码被接受、提交、在代码审查期间被重写,以及部署到生产环境。衡量这些代码上线后的持久性,以及是否引发告警或事故。
  • 团队工作流 —— 识别哪些成员高效使用后台智能体(background agents),哪些成员并行运行多个智能体,以及哪些团队从 AI 中获得最大收益及其独特做法。
  • 智能体就绪度(Agent readiness) —— 衡量智能体在你仓库中的有效性。跟踪技能(skills)、规则(rules)、MCPs(Model Calling Protocols)和 AGENTS.md 文件变更在不同仓库和任务类型中的影响。
  • 智能体与模型对比 —— 按智能体和模型比较代码接受率和输出质量。

申请抢先体验

Git AI Enterprise 仪表盘展示跨仓库的 AI 代码指标

Git AI 是如何工作的?
  • 智能体通过编辑前/后钩子(pre/post edit hooks)上报其编写的代码。
  • Git AI 将每次编辑存储为一个检查点(checkpoint)——即 .git/ai/ 目录下的一个小差异(diff),记录该变更由 AI 生成还是人工编写。当你工作时,这些检查点会不断累积。
  • 提交时,Git AI 将所有检查点处理成一份作者归属日志(Authorship Log),将代码行范围关联到对应的智能体会话,并通过 Git Note 将该日志附加到提交中。
  • Git AI 在变基(rebase)、合并(merge)、压缩(squash)、暂存/恢复(stash/pop)、拣选(cherry-pick)和修正(amend)等历史变更操作中,通过透明地重写作者归属日志,确保归属信息始终准确保留。
Git Note refs/notes/ai #<commitsha> `hooks/post_clone_hook.rs`
hooks/post_clone_hook.rs
  a1b2c3d4e5f6a7b8 6-8
  c9d0e1f2a3b4c5d6 16,21,25
---
{
  "schema_version": "authorship/3.0.0",
  "git_ai_version": "0.1.4",
  "base_commit_sha": "f4a8b2c...",
  "prompts": {
    "a1b2c3d4e5f6a7b8": {
      "agent_id": {
        "tool": "copilot",
        "model": "codex-5.2"
      },
      "human_author": "Alice Person <alice@example.com>",
      "messages": [],
      "total_additions": 8,
      "total_deletions": 0,
      "accepted_lines": 3,
      "overriden_lines": 0,
      "messages_url": "https://your-prompt-store.dev/cas/a1b2c3d4..."
    },
    "c9d0e1f2a3b4c5d6": {
      "agent_id": {
        "tool": "cursor",
        "model": "sonnet-4.5"
      },
      "human_author": "Jeff Coder <jeff@example.com>",
      "messages": [],
      "total_additions": 5,
      "total_deletions": 2,
      "accepted_lines": 3,
      "overriden_lines": 0,
      "messages_url": "https://your-prompt-store.dev/cas/c9d0e1f2..."
    }
  }
}
 1  pub fn post_clone_hook(
 2      parsed_args: &ParsedGitInvocation,
 3      exit_status: std::process::ExitStatus,
 4  ) -> Option<()> {
 5
 6      if !exit_status.success() {
 7          return None;
 8      }
 9
10      let target_dir =
11          extract_clone_target_directory(&parsed_args.command_args)?;
12
13      let repository =
14          find_repository_in_path(&target_dir).ok()?;
15
16      print!("Fetching authorship notes from origin");
17
18      match fetch_authorship_notes(&repository, "origin") {
19          Ok(()) => {
20              debug_log("successfully fetched");
21              print!(", done.\n");
22          }
23          Err(e) => {
24              debug_log(&format!("fetch failed: {}", e));
25              print!(", failed.\n");
26          }
27      }
28
29      Some(())
30  }

该 Note 格式由 Git AI Standard v3.0.0 定义。

许可证

Apache 2.0

版本历史

v1.2.52026/04/02
v1.2.42026/04/01
v1.2.4-next-46cbbb12026/04/01
v1.2.4-next-051dfb92026/04/01
v1.2.32026/03/31
v1.2.22026/03/31
v1.2.12026/03/31
v1.1.232026/03/30
v1.1.222026/03/27
v1.1.212026/03/27
v1.1.21-next-10b781d2026/03/26
v1.1.202026/03/26
v1.1.20-next-78623c62026/03/25
v1.1.20-next-2a8c9462026/03/25
v1.1.192026/03/24
v1.1.182026/03/23
v1.1.172026/03/19
v1.1.162026/03/19
v1.1.152026/03/17
v1.1.142026/03/17

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架