Invariant

主要特性

• ✓
  语义事实提取：使用 tree-sitter 解析源代码，并通过大语言模型驱动的语义分析进行增强，提取关于函数、调用、依赖关系、意图、副作用和模式的结构化事实。
• ✓
  多语言支持：支持 Python、Rust、TypeScript、JavaScript、Go、Elixir 和 Ruby。
• ✓
  版本感知的持久化：事实按 repo_id 和 commit_sha 存储，支持跨代码变更的时间维度查询。
• ✓
  灵活的积分系统：仅结构提取消耗 2 积分；包含意图分析的提取消耗 4 积分。
• ✓
  本地 CLI 提取：通过 tree-sitter 在本地执行提取，然后通过 Conduit 并利用 mTLS 安全上传事实。
• ✓
  确定性 Prolog 查询：使用 Prolog 规则查询模式，实现确定性验证，避免大语言模型幻觉风险。
• ✓
  差异分析器：将代码变更与既定目标进行比较，提供对齐分数和意外变更检测。
• ✓
  自动化审查门禁：返回结构化的通过/失败判定结果，并附带每个标准的推理依据，适合集成到 CI 流水线中。

目标用户

Invariant 专为需要确定性验证 AI 生成代码的软件开发人员、AI/ML 工程师和 DevOps 团队而构建。它对于构建智能体系统、运行自动化 PR 审查或在多语言代码库中执行安全与合规检查的团队尤其有用。

如何使用 Invariant？

首先访问 GitHub 仓库或阅读 library.datagrout.ai/invariant-tools 上的文档。安装 CLI 工具以通过 tree-sitter 进行本地提取，然后运行 invariant.code_lens 从代码库中提取语义事实。使用 invariant.code_query 搜索模式，使用 invariant.diff_analyzer 将变更与目标进行比较，并使用 invariant.review 在 CI 流水线中设置自动化 PR 门禁。无需信用卡即可开始使用。

定价与免费试用

Invariant 免费开始使用，无需信用卡。包含意图分析的提取每次运行消耗 4 积分，仅结构提取消耗 2 积分。网站上未详细说明免费层之外的具体定价层级。

效果评价

Invariant 通过桥接大语言模型语义与确定性 Prolog 推理，为代码验证提供了一种真正新颖的方法——这种组合解决了 AI 辅助开发中的一个真实痛点。多语言支持和版本感知的事实持久化使其适用于现实世界的代码库，而基于积分的定价则降低了初始实验的风险。其优势在于能够捕捉传统 linter 或静态分析器会遗漏的偏差和范围蔓延。对于构建智能体系统或自动化代码审查流水线的团队来说，Invariant 提供了灵活性与确定性保障的罕见结合。