使用 Amazon Quick Sight 构建无服务器、数据驱动的 Git 指标仪表板

英文原标题：A serverless, data-driven Git metrics dashboard using Amazon Quick Sight

本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗

• 该方案提出一种无服务器、事件驱动的流水线，自动从 GitHub 和 GitLab API 按计划采集仓库指标，并存入 Amazon S3 供 Amazon Quick Sight 可视化。
• 核心能力包括：变更检测（无变化则跳过处理）、自适应分块（仓库超过 20 个时用 Step Functions Map 并行处理）、全量与增量加载（首次全量，之后增量，每 24 小时自动全量刷新）以及可配置的调度（CloudFormation 参数支持 rate() 和 cron() 表达式）。
• 架构使用六项 AWS 服务：EventBridge Scheduler 定时触发、Step Functions 编排工作流、Lambda 执行变更检测与指标采集、Secrets Manager 安全存储 Git 令牌、S3 存储结构化 JSON 和扁平化 CSV、Quick Sight 通过 SPICE 构建交互式仪表板。
• 方案与 AWS AI-DLC 框架的可观测性支柱对齐，帮助团队在采用 AI 编码工具前建立速度基线，并在推广过程中跟踪变化、量化改进。
• 部署前需准备：活跃 AWS 账户及相应权限、AWS CLI v2、GitHub 或 GitLab 账户及 Personal Access Token、Amazon Quick Sight 订阅（Standard 或 Enterprise 版），并从 GitHub 仓库克隆解决方案。

关键数据

• 仓库数量超过 20 个时自动分块并行处理（默认阈值为 20）
• 每 24 小时自动触发一次全量刷新
• 变更检测监控六类事件：push、pull request、issue 创建与更新、仓库创建、仓库删除、贡献者变更
• Lambda 采集函数有三种模式：collect_all、collect_chunk、aggregate
• S3 输出包含结构化 JSON 和扁平化 CSV，字段包括仓库名、总提交数、开放/关闭的 PR 和 issue、贡献者数量、主要语言、最后活动时间戳、仓库创建日期

为什么值得看：该方案提供了一种低成本、免运维的 Git 指标采集与可视化方法，帮助团队用数据验证 AI 编码工具是否真正提升开发效率。