✓ BertahanKe-2 dari 3IndieDevTools

Gerbang triase PR untuk maintainer OSS yang kewalahan

Gerbang CI yang menilai dan menyaring PR berkualitas rendah atau hasil dump AI sebelum menghabiskan waktu review maintainer open-source.

I want to build a small, bootstrappable product. Help me plan and start the MVP.

Product: PR triage gate for overwhelmed OSS maintainers
What it is: A CI gate that scores and filters low-effort/AI-dumped PRs before they consume open-source maintainer review time.
Who pays: Maintainers and engineering leads at funded open-source projects and foundations (e.g., projects like Plotly, QGIS-scale, or corporate OSS offices) with an infrastructure/community budget, paying $200–800/mo for CI add-ons.
Closest alternatives: CodeRabbit, GitHub Copilot code review, Greptile, human triage / stale-bot automation
The gap: Existing AI reviewers review code quality; none act as a maintainer-side contribution gate that enforces a project's declared AI policy, flags low-effort/unverifiable submissions, and requires submitter-side proof (repro, test, video walkthrough) before any human time is spent.
Why now: The LLM contribution flood is a 2025–26 phenomenon: major projects (QGIS now, others considering) are enacting blanket bans as a stopgap precisely because no tooling exists to ration reviewer attention, and maintainers publicly say they'd rather keep contributing open if filtering were cheap.
Moat to build toward: Policy-as-code rule sets tuned per project plus accumulating labeled data on low-effort vs. genuine contribution patterns across many repos; workflow lock-in once embedded in a project's merge pipeline.

Buka diskusinya ↗

Ringkasan siap tempel untuk Claude Code, Cursor, atau agen coding lainnya (dalam bahasa Inggris).

I want to build a small, bootstrappable product. Help me plan and start the MVP.

Product: PR triage gate for overwhelmed OSS maintainers
What it is: A CI gate that scores and filters low-effort/AI-dumped PRs before they consume open-source maintainer review time.
Who pays: Maintainers and engineering leads at funded open-source projects and foundations (e.g., projects like Plotly, QGIS-scale, or corporate OSS offices) with an infrastructure/community budget, paying $200–800/mo for CI add-ons.
Closest alternatives: CodeRabbit, GitHub Copilot code review, Greptile, human triage / stale-bot automation
The gap: Existing AI reviewers review code quality; none act as a maintainer-side contribution gate that enforces a project's declared AI policy, flags low-effort/unverifiable submissions, and requires submitter-side proof (repro, test, video walkthrough) before any human time is spent.
Why now: The LLM contribution flood is a 2025–26 phenomenon: major projects (QGIS now, others considering) are enacting blanket bans as a stopgap precisely because no tooling exists to ration reviewer attention, and maintainers publicly say they'd rather keep contributing open if filtering were cheap.
Moat to build toward: Policy-as-code rule sets tuned per project plus accumulating labeled data on low-effort vs. genuine contribution patterns across many repos; workflow lock-in once embedded in a project's merge pipeline.
Biggest risk: Detection of AI authorship is unreliable, so the product collapses to a fancy CI linter and buyers churn once incumbents bundle a similar gate into GitHub for free.

First three steps:
1. Build a GitHub Action that scores incoming PRs on effort signals (tests included, linked issue, repro steps, author history, diff/PR-size ratio, AI-style heuristics) and auto-requests missing proof before human review.
2. Ship a policy config file (YAML) so projects declare their AI/contribution policy and the gate enforces it with configurable thresholds.
3. Pilot free with 3–5 mid-size OSS projects, publish before/after maintainer review-time data, then charge for team dashboards and org-wide rollout.

Start by asking me up to five questions about constraints (stack, budget, timeline), then propose the smallest version a paying customer would use, and scaffold it.

6.1dari 10

Argumen mendukung

Siapa yang membayarMaintainer dan lead engineering di proyek open-source dan yayasan yang didanai (misalnya proyek seperti Plotly, skala QGIS, atau kantor OSS perusahaan) dengan anggaran infrastruktur/komunitas, membayar $200–800 per bulan untuk add-on CI.$200–800

Apa kata orang

Diparafrasekan dari diskusi. Ikuti tautan untuk komentar aslinya.

Mengapa sekarang

Banjir kontribusi LLM adalah fenomena 2025–26: proyek besar (QGIS sekarang, dan lainnya sedang mempertimbangkan) memberlakukan larangan menyeluruh sebagai solusi sementara justru karena belum ada alat untuk menjatah perhatian reviewer. Maintainer secara terbuka mengatakan mereka lebih memilih tetap terbuka terhadap kontribusi jika penyaringannya murah.

Argumen menentang

✕ Yang bisa membuatnya gagalDeteksi penulisan AI tidak andal, sehingga produk jatuh menjadi linter CI yang mahal dan pelanggan pergi begitu pemain besar memasukkan gerbang serupa ke GitHub secara gratis.

Keberatan terkuat dari red team

Banjir kontribusi LLM itu baru, terukur, dan mendorong proyek besar ke larangan menyeluruh. Reviewer AI yang ada meninjau kode, bukan menegakkan kebijakan kontribusi di sisi maintainer, jadi ini celah nyata, meskipun memonetisasi maintainer OSS tetap menjadi titik lemah.

Parit pertahanan 4/10

Rangkaian aturan policy-as-code yang disesuaikan per proyek, ditambah data berlabel yang terus bertambah tentang pola kontribusi berkualitas rendah versus asli di banyak repositori. Ada lock-in alur kerja setelah tertanam di pipeline merge proyek.

Yang sudah ada

CodeRabbitGitHub Copilot code reviewGreptilehuman triage / stale-bot automation

Celahnya

Reviewer AI yang ada hanya meninjau kualitas kode. Belum ada yang berperan sebagai gerbang kontribusi di sisi maintainer yang menegakkan kebijakan AI yang dinyatakan proyek, menandai kiriman berkualitas rendah atau tidak dapat diverifikasi, dan mewajibkan bukti dari pengirim (repro, test, video walkthrough) sebelum waktu manusia dipakai.

Bangun dalam 3 langkah

1Bangun GitHub Action yang menilai PR masuk berdasarkan sinyal usaha (ada test, issue tertaut, langkah repro, riwayat author, rasio diff/ukuran PR, heuristik gaya AI) dan secara otomatis meminta bukti yang kurang sebelum review manusia.
2Kirim file konfigurasi kebijakan (YAML) agar proyek dapat menyatakan kebijakan AI/kontribusinya dan gerbang menegakkannya dengan ambang yang dapat dikonfigurasi.
3Uji coba gratis dengan 3–5 proyek OSS berukuran menengah, publikasikan data waktu review maintainer sebelum dan sesudah, lalu mulai menarik biaya untuk dashboard tim dan penerapan seluruh organisasi.

Diskusi asli“QGIS enacts moratorium on AI contributions” ↗377 poin, 405 komentarDari ceritaArtikel tertaut

Diterjemahkan dari bahasa Inggris. Baca versi asli

Gerbang triase PR untuk maintainer OSS yang kewalahan

Argumen mendukung

Argumen menentang

Bangun dalam 3 langkah

Lainnya dari edisi ini