GitHub 如何用 AI 重構反饋處理機制

作者 | Leela Kumili

譯者 | 田橙

GitHub 引入了一種自動化、持續的、由 AI 驅動的工作流，將無障礙反饋轉化為跨產品團隊跟蹤和優先級排序的工程工作。該系統基于 GitHub Actions、GitHub Copilot 和 GitHub Models APIs 構建，集中管理用戶報告，分析其嚴重性及其與 Web 內容無障礙指南的合規性，并在各服務之間協調問題分流和解決。

從歷史上看，無障礙報告此前來源于多個渠道，包括支持工單、社交媒體和討論論壇，而且在負責導航、認證和共享組件的團隊之間通常缺乏明確的歸屬。GitHub 通過集中入口并引入標準化的問題模板來解決這一問題，這些模板捕獲結構化元數據，包括來源、受影響的組件以及用戶報告的障礙。提交問題會觸發一個自動化工作流，啟動基于 AI 的分析并更新一個集中式項目看板。

GitHub 無障礙高級項目經理 Carie Fisher 強調了在大型工程組織中管理碎片化和高容量輸入的挑戰，并表示：

無障礙反饋是黃金，但在規?；闆r下，它很快會變得令人難以應對。

該工作流始于接收和分類。來自公共討論板、工單或直接提交的反饋會在幾天內得到確認，并被匯入單一的跟蹤管道。一個自定義的無障礙問題模板嵌入了元數據，包括來源、組件上下文和用戶報告的障礙。創建問題會觸發一個 GitHub Action，從而啟動 AI 分析并更新集中看板上的項目狀態。

Agentic 接收工作流

一旦檢測到跟蹤問題，另一個 Action 會調用 GitHub Copilot，并結合存儲的提示詞對 WCAG 違規、嚴重性以及受影響的用戶群體（屏幕閱讀器用戶、鍵盤用戶、低視力用戶）進行分類。這些提示詞引用了以 Markdown 維護并通過代碼更新的內部無障礙策略和組件庫文檔。Copilot 會自動填充約百分之八十的結構化元數據，包括推薦的團隊分配和基礎無障礙測試的檢查清單，并發布一條總結其分析的評論。第二個 Action 會解析該評論，以應用標簽、狀態更新和分配。我們的提示詞承擔兩個角色：分流分析，即按 WCAG 違規、嚴重性和受影響用戶群體對問題進行分類；以及無障礙指導，在此過程中 GitHub Copilot 作為領域專家，幫助團隊編寫和審查無障礙代碼。

分析與更新循環

人工審查仍然是核心。在 Copilot 的初步分析之后，無障礙團隊會在一個首響應看板上驗證嚴重性等級和類別標簽。若存在差異，將進行修正，并記錄修正以優化提示詞文件并改進未來的 AI 輸出。在驗證之后，將確定解決路徑：即時更新文檔、直接修復代碼，或分配給相應的服務團隊。來自內部合規系統的關聯審計問題進一步提供了現實世界影響的上下文，并有助于在理論上的關鍵性之外優先處理真實風險。

在一篇相關的 LinkedIn 帖子 中，客戶參與專家 Lianne G. 指出該工作流的影響，并表示：

借助新的 AI 驅動工作流，我們在 90 天內解決的反饋量提高了 4 倍。

GitHub 報告稱，在采用該系統之后出現了可量化的變化。在 90 天內解決的無障礙問題比例從 21% 提升至 89%，而總體解決時間同比下降了超過 60%。該工作流還提供了對重復出現的無障礙模式的可見性，并包含用于優化 AI 提示詞和評估標準的反饋循環。

這種方法反映了持續型 AI 系統如何被應用于運營工作流，將自動化分析與人工審查相結合，以在大型工程組織中處理諸如無障礙等跨領域問題。

https://www.infoq.com/news/2026/04/github-ai-accessibility-workflow/

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。