Cynisk Sally: En skeptisk AI-kodgranskare för ingenjörsteam
Cynisk Sally, från W1ckedxt, är en AI kodgransknings-CLI och Model Context Protocol-server som är utformad för att ge utvecklare en verklighetskontroll under automatiserade granskningar. Verktyget genererar kritisk, evidensbaserad feedback, bedömer kod från 0 till 10 och föreslår konkreta lösningar för logiska fel, överdesign och underhållsrisker. Det ansluter till MCP-värdar och stöder lägen för omstrukturering, PR-granskning, frontendanalys och arkitektonisk brainstorming. Mjukvaruingenjörer och teknikledare får en skeptisk andra åsikt som minskar okritiska AI-förslag.
Vilka uppgifter kan du faktiskt använda det för?
Sally fungerar som en skeptisk andra granskare för pull-förfrågningar, omstruktureringar, frontend-kontroller och arkitektonisk brainstorming, och producerar en 0–10 kodkvalitetspoäng och bevisbaserade problemrapporter. Verktyget genererar handlingsbara kodfixar snarare än vaga förslag, och det avslöjar en --fail-under byggflagga så att team kan styra CI baserat på kvalitetsgränser. Det integreras med MCP-värdar, vilket möjliggör granskningsflöden inuti AI-infödda redigerare och terminalbaserade arbetsflöden.
Hur noggranna är resultaten jämfört med att göra det manuellt?
Verktyget producerar fokuserade, bevisbaserade fynd som citerar specifika logikfel och föreslår kodfixar, vilket matchar det angivna målet med raka granskningar. Poängrapporter och konkreta förändringsförslag gör det lättare att prioritera problem än ett generiskt LLM-svar. Komplexa arkitektoniska rekommendationer behöver fortfarande utvecklarverifiering, eftersom verktyget betonar kritik över kontextuell rättfärdigande och kan flagga designval som kräver mänsklig avvägning.
Vilka indata och begränsningar ålägger det?
Sally körs som en Node.js 18+ CLI och accepterar repositorie-snapshots eller staged diffs via standard terminalarbetsflöden. Den hoppar över känsliga filer som .env och SSH-nycklar under lokal skanning. Analysen skickas till Anthropics API för utvärdering, och utvecklaren uppger att inskickad kod inte används för att träna modeller och inte lagras på Sallys servrar. Beroendet av ett externt API innebär att resultaten kräver nätverksåtkomst och API:ets tillgänglighet.
Kräver det teknisk kunskap för att få användbara resultat?
Ja, verktyget förutsätter utvecklarens bekantskap med kommandoraden och git-arbetsflöden. Installation använder npm eller npx; till exempel att köra 'npx @cynicalsally/cli roast' är en stödd anrop. Integrationer inkluderar git-hooks och MCP-baserade redigerarvärdar, så team som är bekväma med CI och terminalverktyg kan integrera det i befintliga pipeliner. Icke-tekniska användare kommer att finna personligheten och CLI-interaktionerna olämpliga utan utvecklarmedling.
Ett praktiskt val för team som vill ha en kritisk andra åsikt
Sally passar ingenjörsteam som syftar till att fånga underhållbarhet och logiska regressioner innan sammanslagning. Planera för en kort triagefas när du först integrerar den, och behandla dess feedback som ett prioriteringsverktyg snarare än slutgiltig auktoritet. Som ett praktiskt steg, kör den mot en uppsättning historiska pull-förfrågningar för att kalibrera poängtrösklar och utvecklarförväntningar innan bred adoption. Anta gradvis och förfina regler baserat på verkliga resultat.
