持续 AI 助力无障碍：GitHub 如何将反馈转化为包容性

📌 一句话摘要

GitHub 利用 AI 驱动的事件驱动工作流，结合 Copilot 和 Actions 自动化处理、分析和追踪无障碍反馈，大幅缩短了解决时间。

📝 详细摘要

本文详细介绍了 GitHub 内部如何从碎片化的无障碍反馈流程转型为“持续 AI”工作流。历史上，无障碍问题难以追踪，因为它们涉及多个团队且缺乏明确的负责人。GitHub 通过构建一个事件驱动系统来解决此问题，该系统利用了 GitHub Actions、GitHub Copilot 和 GitHub Models API。该工作流自动化接收来自不同来源的反馈，使用 LLM 根据 WCAG 标准分析报告，并为人工审核员生成可操作的检查清单。该系统的关键在于使用 markdown 文件中的自定义指令，而非模型微调，从而实现快速迭代。结果显著：90 天内解决率达到 89%，平均解决时间减少 62%，这表明 AI 如何处理重复的行政任务，从而让工程师能够专注于包容性设计和代码修复。

💡 主要观点

- 将无障碍反馈转化为结构化的事件驱动数据管道。 通过将分散的报告集中到由 GitHub Actions 驱动的统一系统中，GitHub 确保每条反馈都得到追踪和分配，从而防止关键的无障碍障碍在积压中丢失。

利用 LLM 通过自定义指令实现自动化分类和无障碍指导。 GitHub 没有微调模型，而是使用版本控制的 markdown 文件为 Copilot 提供 WCAG 标准和内部策略的上下文，使 AI 能够自动填充 80% 的问题元数据。

通过 AI 生成的验证清单保持人工参与（human-in-the-loop）的方法。 该系统为非专业人员生成通俗易懂的测试程序，使社区经理能够有效地复现问题，同时确保最终的技术判断和代码修复仍由人工监督。

基于人工修正实现 AI 提示的持续改进循环。 当 AI 的分析不准确时，团队成员会记录修正，这些修正直接用于完善自定义指令，从而创建一个无需专业 ML 知识即可随时间推移变得更准确的系统。

与用户闭环反馈，以验证修复并建立社区信任。 该工作流要求问题保持开放，直到原始报告者确认修复有效，确保技术解决方案真正满足残障用户的需求。

💬 文章金句

- 我们不希望 AI 取代人类判断——我们希望它处理重复性工作，以便人类可以专注于修复软件。

• 最重要的突破很少来自代码扫描器——它们来自倾听真实的人。
• 我们选择存储提示而非模型微调，这样团队中的任何人都可以通过拉取请求更新 AI 的行为。
• 没有人类基础，AI 只是一种更快地偏离重点的方式。
• 一年前，近一半的无障碍反馈未解决时间超过 300 天。今天，这个积压不仅变小了——它已经消失了。

📊 文章信息

AI 评分：88

来源：The GitHub Blog

作者：Carie Fisher

分类：人工智能

语言：英文

阅读时间：11 分钟

字数：2708

标签： GitHub Copilot, 无障碍, 智能体工作流, GitHub Actions, LLM 实施

阅读完整文章