- name
- code-optimizer
- description
- 代码质量自动评估与优化系统 — 基于ML的代码评分、策略选择、自动优化
- author
- openclaw
- slug
- code-optimizer
- version
- 1.0.0
- tags
- [code-quality, evaluation, ml, optimization, code-review]
- homepage
- https://clawhub.ai/skills/code-optimizer
🔧 Code Optimizer — 代码质量自动评估与优化
概述
基于机器学习的代码质量自动评估和优化系统。从 15 个标准测试案例、35 个特征维度出发，通过平衡随机森林模型自动评估代码质量并选择最优生成策略。
核心能力
| 功能 | 描述 |
|---|---|
| 📊 代码质量评估 | 35维度特征分析，ML评分模型，综合质量报告 |
| 🎯 智能策略选择 | 平衡随机森林 + 规则引擎混合架构，自动选择最优代码生成策略 |
| 🔄 自动反馈闭环 | 评估结果自动记录，持续优化ML模型 |
| 📋 标准化测试 | 15个标准测试案例覆盖算法、调试、重构、数据结构 |
性能指标
| 指标 | 结果 |
|---|---|
| 评分差异 | 0.36 分 (↓96% 相比基线) |
| 不平衡比 | 6:1 (从 36:1 改善) |
| 宏 F1 | 0.410 (↑40%) |
| 处理速度 | 0.006 秒/案例 |
| ML 使用率 | 100% (阈值优化后) |
安装
前提条件
- Python 3.9+
- scikit-learn 1.0+
- numpy, pandas
通过 ClawHub 安装
clawhub install code-optimizer手动安装
# 克隆或复制到 skills 目录
cd ~/.openclaw/workspace
pip install scikit-learn numpy pandas
# 安装技能
clawhub install code-optimizer使用方法
评估代码质量
# 评估单个文件
code-eval evaluate --code-file my_code.py --task "实现功能"
# 评估代码字符串
code-eval evaluate --code "def hello(): pass" --task "Hello World"
# 批量评估
code-eval batch --dir ./code_samples运行标准测试
# 运行所有 15 个标准测试
code-eval test-suite
# 运行指定测试
code-eval test --case CASE_001选择生成策略
# 自动选择最优策略
code-eval select-strategy --code-file my_code.py
# 输出: balanced | emphasize_correctness | extreme_correctness生成报告
# 生成 HTML 报告
code-eval report --format html --output report.html配置
主配置
# config.yaml
evaluator:
model_path: models/balanced_forest.pkl
threshold: 0.5
feature_count: 35
strategies:
- balanced
- emphasize_correctness
- extreme_correctness
integration:
auto_evaluate: true
log_results: true
feedback_loop: true与 Hermes 集成
当与 Hermes 记忆系统配合使用时：
- 自动评估每个代码生成任务
- 评估结果存入记忆系统
- ML 数据集持续扩充
- 策略选择融入任务规划
版本历史
| 版本 | 日期 | 说明 |
|---|---|---|
| 1.0.0 | 2026-04-23 | 初始版本：代码评估 + 策略选择 + ML模型 |
许可
MIT License