一个 Hacker News 的讨论集中在 AI 自动去重软件开发中的拉取请求 (PR) 和问题 (issue) 的需求上。发帖者抱怨缺乏一家解决这个问题的初创公司，理由是由于生成“噪音”（重复的问题）的成本很低，导致盈利能力低下。 几位评论者提供了利用大型语言模型 (LLM) 的解决方案，例如 Claude、Gemini Pro 和 OpenAI 的模型，通过 CLI 使用。一种详细的方法包括总结每个 PR/issue（大约 100 字），然后在迭代循环中比较摘要以查找重复项。 关键建议包括使用 LLM 的 CLI 版本（优于网络界面），将任务分解为 AI 可以明确执行的步骤，以及*验证* AI 实际上是否处理了所有数据——因为 LLM 经常声称读取了文件，但实际上并非如此。一位用户指出 Copilot 在一次性总结多个工单时遇到困难，产生过于笼统的结果。总体共识是，使用当前的 AI 工具可以找到可行的解决方案，但需要仔细实施和监控。