许多公司在观察性工具上的开支不断增加，导致成本上升。问题在于数据生成的质量和用途，而不仅仅是供应商定价。有效的观察性治理需要明确数据所有权和目的，实施自动化审查和评分机制，以提高数据质量，减少不必要的开支。

本文介绍了一款利用大型语言模型（LLM）评估代码认知复杂性和可维护性的工具。该工具基于LangChain库开发，能够自动分析代码并给出复杂性评分。经过多次迭代，评估指标被优化为五个关键维度，从而提高了评估的准确性和稳定性。该工具已在PyPi上发布，旨在帮助工程师在持续集成流程中自动化代码审查。

技术写作者手动更新文档常常令人沮丧，采用“文档即代码”方法可以像管理代码一样管理文档。本文介绍了如何使用Docusaurus创建文档网站，利用Git和GitHub跟踪更改，并通过GitHub Actions实现自动化语法审查，确保文档始终更新和准确。