Jazzberry
Jazzberry · Coding
Jazzberry ist ein GitHub-Bot, der echte Fehler findet, indem er Ihren Code bei jedem Pull Request in einer abgeschotteten Sandbox ausführt und das Ergebnis anschließend als Kommentar postet.
Über Jazzberry
About
Was ist Jazzberry
Jazzberry ist ein KI-Fehlerfinder, der sich an GitHub anschließt. Sobald jemand einen Pull Request öffnet, klont der Dienst das Repository in eine gesicherte MicroVM, übergibt den Diff an einen KI-Agenten und lässt diesen den Code ausführen. Der Agent kann Dateien lesen, suchen, Pakete installieren, Interpreter starten und Testausschnitte laufen lassen, beobachtet dann die Ergebnisse und grenzt den Fehler so weit ein, bis er ihn hat. Statt aus Codemustern zu raten, bestätigt er einen Fehler, indem er ihn herbeiführt.
Mateo Perez und Marco Dewey haben das Werkzeug gebaut und 2025 durch Y Combinator geführt. Perez hat einen Doktortitel in bestärkendem Lernen und formalen Methoden, Dewey hat Sprachmodelle für die automatische Testgenerierung untersucht. Später benannte das Team die Firma in Cartpole um und zog die alte Seite um, weshalb die ursprüngliche Adresse jazzberry.ai jetzt woanders hin führt.
Die Grenzen sollte man von Anfang an kennen. Jazzberry ist kein allgemeines Werkzeug zur Code-Review und äußert sich daher nicht zu Stil oder Namen. Es prüft nur die Änderungen eines Pull Requests, liefert das klarste Signal, wenn Code isoliert laufen kann, und schickt Ihr Repository zum Testen an einen Drittanbieter.
Erste Schritte
- Öffnen Sie die Jazzberry-Seite auf GitHub und installieren Sie die App für das Konto oder die Organisation, die Sie abdecken möchten.
- Wählen Sie die Repositories, die der Bot beobachten soll.
- Öffnen Sie wie gewohnt einen Pull Request und warten Sie, bis der Agent das Repository klont und seine Tests laufen lässt.
- Lesen Sie den Fehlerbericht, der als Kommentar im Pull Request erscheint, und beheben oder verwerfen Sie jeden Befund.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Jazzberry.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Backend- und API-Entwickler
- Sicherheitsbewusste Teams
- Einzelentwickler und kleine Teams
- QA- und Release-Verantwortliche
Aufgaben
- Einen Pull Request automatisch testen
- Sicherheitsfehler früh finden
- Schwer sichtbare Fehler reproduzieren
- Befunde nach Schweregrad sortieren
Szenarien
- Einen großen, von KI geschriebenen Pull Request mergen
- Einen schlanken Review-Prozess fahren
- Eine neue Abhängigkeit oder Integration prüfen
- In eine unbekannte Codebasis einsteigen
Wichtigste Funktionen
Automatische Fehlererkennung durch echte Codeausführung
Der Kern von Jazzberry ist die Annahme, dass Code ausführen mehr bringt als Code lesen. Bei jedem Pull Request arbeitet ein KI-Agent im geklonten Repository, schreibt und führt Ausschnitte aus, um einen Fehler zu bestätigen. Weil der Agent das tatsächliche Verhalten beobachtet, kann diese automatische Fehlererkennung Logikfehler und Laufzeitprobleme melden, die ein statischer Scanner übersehen würde. Das Team beschreibt das als konkreten Beleg dafür, was kaputt ist und wie, nicht als Liste möglicher Probleme.
Eine gesicherte MicroVM für jede Prüfung
Jede Prüfung läuft in ihrer eigenen abgeschotteten MicroVM. Das Repository wird in diese isolierte Maschine geklont, der Agent arbeitet dort, und danach wird die Umgebung zerstört. So bleibt der Lauf eines Projekts von anderen getrennt, und jede Aufgabe berührt nur wenig. Der Preis dafür: Ihr Code verlässt für die Dauer der Prüfung Ihre Infrastruktur.
Automatische Anbindung an Pull Requests
Es gibt kein separates Dashboard zum Beobachten. Ist die GitHub-App installiert, hört Jazzberry auf Pull Requests und legt von selbst los. Die Befunde kommen als Kommentar im Pull Request an, genau dort, wo die prüfende Person ohnehin liest. Das passt zu Teams, die in GitHub leben und keinen weiteren Tab offen haben wollen.
Markdown-Berichte mit Schweregrad und Nachstellung
Die Ausgabe ist eine Markdown-Tabelle, die im Pull Request veröffentlicht wird. Jede Zeile nennt den Fehler, vergibt einen Schweregrad von Kritisch bis Niedrig, zeigt einen Beispiel-Testfall und erklärt, was schiefläuft. Diese Form lässt die prüfende Person die Tabelle überfliegen und entscheiden, was zu tun ist, statt sich durch Logs zu wühlen. Frühe Nutzer meldeten Funde wie eine SQL-Injection und einen Fehler bei der Prüfung des API-Schlüssels.
Sprachunabhängiges Testen
Jazzberry hängt nicht an einem einzigen Stack. Weil der Agent im Sandbox selbst Pakete installiert und Interpreter startet, arbeitet er mit gängigen Sprachen wie Python, JavaScript, TypeScript, Go, Java und Ruby. Teams mit gemischten Codebasen brauchen kein eigenes Werkzeug je Sprache, und sehr ungewöhnliche Build-Setups verlangen vielleicht nur etwas zusätzliche Konfiguration.
Vor- und Nachteile
Vorteile
- Bestätigt Fehler durch Codeausführung, die Befunde liefern also Belege statt Vermutungen.
- Veröffentlicht die Ergebnisse direkt im Pull Request, ohne extra Dashboard.
- Läufe in isolierten MicroVMs halten jede Prüfung in sich geschlossen und wegwerfbar.
- Funktioniert mit gängigen Sprachen, ein gemischtes Repository braucht also nur ein Werkzeug.
- Schweregrad-Labels helfen dem Team, die schlimmsten Fehler zuerst zu bearbeiten.
Nachteile
- Ihr Repository geht zum Testen an einen Drittanbieter, was manche Teams nicht zulassen können.
- Es betrachtet nur die Änderungen eines Pull Requests, ist also kein vollständiges Code-Audit.
- Komplexe oder stark integrierte Systeme lassen sich schwer isoliert ausführen, wodurch die Ergebnisse schwächer werden.
- Die Befunde brauchen weiter menschliches Urteil, weil dynamische Tests Kontext übersehen können.
Häufige Fragen
Es ist ein KI-Fehlerfinder für GitHub. Öffnet sich ein Pull Request, klont Jazzberry das Repository in eine Sandbox, führt den geänderten Code mit einem KI-Agenten aus und veröffentlicht einen Fehlerbericht als Kommentar im Pull Request.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Jazzberry.
Alternativen zu Jazzberry
Udon
Udon · Coding · ProduktivitätUdon macht aus einem Apple-Silicon-Mac einen Heimserver, den Sie im Browser steuern, mit Containern, Dateifreigaben und einem optionalen KI-Systemadministrator.
offstage
offstage cloud · Coding · Produktivitätoffstage gibt KI-Agenten und CI-Jobs einen echten Mac: ein frisches macOS-27-Konto auf Apple Silicon, per API gesteuert und sekundengenau abgerechnet.
BotBus
Chengdu Tuyang Tusen Technology Co., Ltd. · Coding · ProduktivitätMit BotBus lassen sich KI-Agenten vom Smartphone steuern, auch wenn der Rechner im Büro steht: Befehle freigeben, Aufgaben starten, Ergebnisse lesen.