面向工程团队的 AI 代码检测
面向开发者的 AI 代码检测工具
检测由 ChatGPT、Claude 和 GitHub Copilot 生成的 Python、Java、C++ 等语言的代码。采用保守检测策略，旨在降低误报率。
pangram_scan.py
from pangram import Pangram
# Initialize the client
client = Pangram(api_key="your-api-key")
# Analyze a code snippet
result = client.predict(code_snippet)
print(f"AI fraction: {result['fraction_ai']}")家全球品牌信赖之选
用例
保障您的软件
供应链安全
全面掌握企业内部由人工智能生成的代码情况。借助最精准的人工智能代码检测引擎，优化招聘决策、保护知识产权并降低安全风险。
验证技术岗位招聘
不要为后端职位招聘速成工程师。在带回家完成的作业中检测AI生成的代码，以确保候选人理解他们提交的代码逻辑。
保护知识产权
在许多司法管辖区，人工智能生成的代码无法享有版权。请审核您的代码库，以确保专有软件并非构建在合成且无法授权的基础之上。
降低安全风险
AI 生成的代码片段往往包含隐蔽的逻辑错误或安全隐患。在合并之前，请将 AI 参与度较高的提交标记出来，以便进行更深入的人工代码审查。
集成
通过 API 实现基于 AI 的自动代码
检测
03
批量审核
扫描整个代码库或拉取请求，以评估项目历史中 AI 代码检测的覆盖率。
获取 API 密钥 →
是的。Pangram 是基于 GPT-4、Claude 以及 LLaMA 模型的输出结果进行训练的，这些模型正是 GitHub Copilot 等工具背后的技术支撑。因此，即使代码经过了人工的轻微修改，Pangram 仍能识别出常见的 AI 生成的模式。
通常情况下，答案是否定的。Pangram 在处理短代码片段或高度标准化的代码片段（如导入语句、getter/setter 方法、配置模板）时，会刻意采取保守策略。由于这些模式缺乏足够的统计特征来确信地判定作者身份，因此模型会将重点放在熵值更高的逻辑部分，因为在这些部分，AI 和人类的编写风格存在显著差异。
为了获得最佳效果，我们建议代码长度在40至50行以上。非常短的代码片段无法提供足够的结构或风格差异，难以实现高精度的分类，尤其是在Python和JavaScript等常见语言之间。
Pangram 目前支持对多种常用语言的检测，包括 Python、JavaScript/TypeScript、Java、C++ 和 Go，随着模型覆盖范围的扩大，还将增加更多语言。对于在现代大型语言模型（LLM）训练数据中占比高的语言，检测准确率会更高。
是的——在某种程度上。Pangram 并不依赖简单的代码片段指纹。相反，它评估的是结构、风格和概率特征，这些特征通常在人工修改后依然存在，特别是在复杂的逻辑、错误处理和函数组合中。
是的。诸如重命名变量、调整格式或修改空格之类的更改通常不会消除用于检测的基础信号。然而，深度语义重写可能会降低检测置信度，而 Pangram 通过概率评分而非二进制标记来体现这一情况。
Pangram 支持精细化高亮显示，让团队能够清晰辨别文件中哪些部分是由 AI 生成的，哪些是由人工编写的。对于大型文件、拉取请求或逐步引入 AI 的遗留代码库而言，这一功能尤为实用。
是的。Pangram 提供了一个高吞吐量的API，专为持续集成（CI）管道中的自动化分析、合并前检查、内部审计以及研究工作流而设计。许多团队选择在拉取请求或夜间扫描中运行检测，而非直接阻止提交。
不。Pangram 旨在提供可视化和治理功能，而非默认强制执行。大多数团队使用它来了解 AI 是在何处以及如何融入其代码库的，以支持政策合规性，或审核第三方贡献。
准确性取决于语言、代码长度和复杂度。Pangram 在处理较长且逻辑密集的代码时最为可靠，并且会刻意避免对信号较弱的输入做出过于自信的判定。结果会附带置信度评分，以便人工审核。如需深入了解该主题，请阅读我们关于“能否检测出 AI 生成的代码”的文章。
Pangram 已获得 SOC 2 Type II 认证。通过 API 提交的代码仅进行临时处理，随后即被丢弃。客户数据绝不会被保留，也不会用于模型训练。
是的。一些团队利用 Pangram 来标记开源项目中由人工智能生成的内容，或用于支持涉及许可、署名或披露要求的内部审核。了解律师事务所如何利用 Pangram进行知识产权和合规性核查。
确实如此，这种情况越来越普遍。AI生成的代码可能会引入一些隐蔽的漏洞或不易察觉的逻辑缺陷。Pangram通常与静态应用程序安全测试（SAST）和依赖项扫描工具配合使用，旨在提供代码编写背景信息，而非直接用于漏洞检测。
不——这是有意为之。Pangram 返回的是概率性提示和标记，而非单一的绝对标签。这反映了现代开发领域的现实：人工智能与人类的贡献往往交织在一起。
