掘金作者拆解 ai-code-review 全链路:用 LLM 语义评审让 AI 审 AI 的代码

掘金作者「工程小白菜」于 2026 年 11 月 18 日发文,拆解了一套把 LLM 语义评审嵌入 CI 的 ai-code-review 全链路系统。它值得关注的点在于:当 AI 写代码的速度超过人 review 的速度时,如何用 AI 充当独立「裁判」,并且让裁判本身的质量可量化。

一句话看懂:掘金作者「工程小白菜」于 2026 年 11 月 18 日发文,拆解了一套把 LLM 语义评审嵌入 CI 的 ai-code-review 全链路系统。它值得关注的点在于:当 AI 写代码的速度超过人 review 的速度时,如何用 AI 充当独立「裁判」,并且让裁判本身的质量可量化。

事件核心:发生了什么

这套系统是作者前作《从 Copilot 到 WorkBuddy》的续篇。评审引擎直接采用阿里开源的 Open Code Review(OCR),模型接入公司内网网关的低价档位,作者的判断是评审质量瓶颈更多在规则而非模型智商。规则用结构化 JSON 进 git 管理:团队底线规则独立仓库统一维护,项目规则放各仓库根目录 .opencodereview/rule.json,按 path 匹配,分 background(含豁免说明)、redline、team_standard 三级。CI 端做成共享模板,前后端差异抽成变量,评审作业与 build 并行、allow_failure 不阻塞部署。结果经 Node 脚本三路分发:GitLab 按行锚点评论、飞书卡片按严重度着色并推送给改动作者、实时入库看板。采集层按评论正文格式识别 AI 评论,用正则推断「已修复/误报/待定」状态,误报率成为规则优化的直接输入。

为什么重要

当前多数 AI 编码工具的讨论集中在生成侧,而验收环节仍由人承担。这篇实践给出的思路是「运动员/裁判分离」:AI 写完代码后,由独立的 LLM 评审做语义检查,再把结论交回给写码的 AI 逐条回复。作者实测一轮处理 17 条 CI 评论,14 条已修复、2 条已失效、1 条误报,回复均由 AI 生成,人只做最后确认。它把「验收」拆成可度量的一环,而非笼统的自查。

对用户/开发者/创作者的影响

对开发者,可借鉴的是规则分层与豁免机制的设计——用 background 级说明告诉模型什么不算违规,是降低误报的实用手段;diff 基准按 MR、push、新建分支分场景取值,也解决了 CI 评审的常见坑。对企业团队,共享 CI 模板加 group 级变量能让接入近乎零配置。需要注意的是,以上是作者基于自身工程实践的总结,并非官方产品公告,不同技术栈与团队规模下的效果尚待验证。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是这套规则模板与度量口径是否会开源,供其他团队复用;二是低价档模型在内网网关下的评审稳定性,尤其当规则库扩大后的误报走势;三是「AI 回 AI 评论」的闭环在更多真实项目中的采纳率数据。目前公开信息显示,文中未披露具体项目规模与长期误报率变化。

来源:juejin

celebrityanime
celebrityanime
文章: 36459

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注