当前位置：首页 > news >正文

AI增强代码审查项目：PR Agent、Open CR、CoStrict、AI-CR-Gitlab、CR-Skill、CR-GPT-Gitlab、CRGPT、BitsAI-CR、CodeRabbit

news 2026/7/12 23:37:45

概述

在AI、LLM时代，代码评审/审查（Code Review）领域，也迎来不少变革。

传统代码评审的固有局限：

人工依赖性强：评审质量高度依赖评审者的经验水平和投入时间
一致性差：不同评审者对同一代码可能有完全不同的评价标准
反馈延迟：评审周期长，影响开发流程的连续性
认知负荷大：评审者需要理解代码上下文、业务逻辑和技术实现
覆盖面有限：人工评审难以全面检查代码质量、安全性和性能

AI/LLM驱动的代码评审，至少在如下几个方面产生革命性突破

智能代码理解与上下文感知

传统方式：评审者需要手动追溯代码变更历史、理解相关模块。

AI变革：LLM能够自动分析代码库的完整上下文：

理解代码变更的完整影响范围
识别与变更相关的历史问题和修复
分析代码架构的一致性和模式匹配
理解业务逻辑和领域知识

代表性工具：GitHub Copilot for Code Review、Amazon CodeGuru、Google’s Codey

多维度自动化质量检查

传统方式：主要依赖静态分析工具的简单规则检查

AI变革：深度学习模型能够进行复杂的语义分析：

检查维度	传统方法	AI增强方法
代码质量	基本代码风格检查	设计模式识别、架构合理性评估
安全性	已知漏洞模式匹配	上下文感知的安全风险预测
性能	简单复杂度分析	运行时性能模式识别和优化建议
可维护性	基本复杂度指标	代码可读性、扩展性综合评估

个性化评审助手与知识传递

突破性功能：

经验传承：将资深工程师的评审模式编码为AI模型
个性化反馈：根据开发者技能水平提供差异化建议
实时教育：在评审过程中提供相关学习资源和技术解释
知识图谱：构建代码库的知识图谱，辅助理解复杂依赖

预测性评审与风险预警

革命性能力：

缺陷预测：基于历史数据预测代码变更可能引入的缺陷
回归风险分析：识别可能破坏现有功能的变更
团队协作模式分析：优化评审分配，减少瓶颈
代码演化趋势：预测技术债务积累和重构时机

技术架构突破

代码表示学习（Code Representation Learning），传统代码分析主要基于语法解析，而现代AI系统使用：
- 抽象语法树（AST）嵌入：将代码结构转换为向量表示
- 控制流和数据流分析：理解程序执行逻辑
- 语义代码嵌入：捕获代码的功能语义而非表面形式
多模态代码理解。LLM能够同时处理：
- 源代码文本
- 提交信息和注释
- 相关文档和规范
- 测试用例和结果
- 性能指标和日志
增量学习和持续适应。与传统静态规则不同，AI评审系统能够：
- 从团队评审历史中学习偏好和标准
- 适应特定项目的编码规范和架构模式
- 随着代码库演化而更新理解模型
- 识别新兴的最佳实践和反模式

技术挑战与未来方向

当前挑战

误报与漏报平衡：如何减少误报同时不遗漏重要问题
上下文理解局限：对复杂业务逻辑和领域知识的理解仍有局限
计算资源需求：大规模代码库的实时分析需要大量计算资源
隐私与安全考虑：代码作为知识产权需要妥善保护
人机信任建立：开发者需要时间建立对AI建议的信任

未来发展趋势

专业化领域模型：针对特定领域（如嵌入式、区块链、AI系统）的专用评审模型
实时协作评审：支持多人实时协作的AI辅助评审环境
代码生成与评审一体化：从代码生成开始就融入质量保证
全生命周期质量管理：从设计、实现到维护的全流程AI辅助
自主演进代码库：AI系统能够主动提出重构和优化建议

实施策略

对于希望引入AI增强代码评审的团队，建议采取渐进式策略：

阶段1：辅助工具引入
- 从基础的AI代码检查工具开始
- 建立人机协作的基本流程
- 收集使用反馈和效果数据
阶段2：流程集成优化
- 将AI工具深度集成到开发工作流
- 建立AI建议的采纳和反馈机制
- 培训团队有效使用AI辅助
阶段3：智能化流程重构
- 基于AI能力重新设计评审流程
- 建立持续学习和改进的机制
- 探索创新的协作模式
阶段4：自主智能系统
- 开发定制化的AI评审模型
- 实现预测性质量管理和风险控制
- 构建智能化的软件工程平台

PR Agent

官网，由CodiumAI推出的AI驱动开源（GitHub，12K Star，1.6K Fork）代码审查工具，官方文档。

核心技术原理：

多阶段分析架构：结合静态分析和动态语义理解
增量审查：仅分析变更部分，提高效率
上下文感知：理解代码变更的业务背景
规则引擎+LLM：传统规则与AI模型结合

核心功能：

自动生成PR描述
代码质量评估
安全漏洞检测
性能优化建议
代码风格检查

实战

集成GitHub Actions，在代码库根目录新增隐藏文件夹.github/workflows/，新增pr_agent.yml文件：

on:pull_request:types:[opened,reopened,ready_for_review,synchronize]issue_comment:jobs:pr_agent_job:if:${{github.event.sender.type!='Bot'}}runs-on:ubuntu-latestpermissions:issues:writepull-requests:writecontents:writechecks:writename:Run pr agent on every pull request,respond to user commentssteps:-name:PR Agent action stepid:pragentuses:the-pr-agent/pr-agent@mainenv:OPENAI_KEY:${{secrets.OPENAI_KEY}}GITHUB_TOKEN:${{secrets.GITHUB_TOKEN}}

配置OPENAI_KEY，其他流程跟之前一样，没问题，则能看到PR评论。

Open Code Review

简称OCR，项目主页，AI驱动的开源（GitHub，9.7K Star，634 Fork）代码审查CLI工具，读取Git Diff，通过具备工具调用能力的Agent将变更文件分发给可配置的LLM，并生成具有行级精度的结构化审查意见。Agent能够读取完整的文件内容、搜索代码库、检查其他变更文件以获取上下文，并产出深度审查报告——所有这些均受确定性工程约束的管控，从而保证审查的完整性和位置的准确性。

优势

确定性工程兜底：文件筛选、关联打包、规则匹配这些"不能出错"的环节全部由写死的工程逻辑保证。关联文件会被自动合并成同一审查单元——比如中英文 properties 配置文件放在一起审，避免分开看导致上下文断层。每条审查规则按文件特征精准匹配对应模板，让模型的注意力只聚焦在相关问题上。
Agent专注动态决策：Agent集中做它最擅长的事——动态决策和上下文召回。针对代码审查场景做了专门提示词模板，工具集也是基于线上海量数据的调用链分析沉淀下来的，该用哪个、什么时候调用都有数，不是一股脑把工具全塞给模型让它自己试。
Token省九成：对比通用Agent如CC，在相同模型下准确率和F1都更高，Token消耗只有通用方案的约九分之一。

实战

安装：

npminstall-g@alibaba-group/open-code-review# 命令执行成功后，可使用ocr命令# 配置模型ocr config provider ocr config model# 测试连通性ocr llmtest

使用

# 审查工作区的所有变更（staged + unstaged + untracked）ocr review# 对比两个分支ocr review--frommain--tofeature-branch# 审查单个提交ocr review--commitabc123# 全文件扫描——不是看 diff，而是审整个文件ocr scan--pathinternal/agent

CoStrict

官网，曾用名诸葛神码，zgsm代码库已迁移到CoStrict（GitHub，4.3K Star，184 Fork）。开源AI辅助编程工具，专为企业级开发场景设计，支持私有化部署。

能力：

严肃编程：标准化AI代码生成流程，包含需求分析、架构设计、任务规划、测试生成
代码审查：基于全仓库RAG的代码分析，采用多专家模型交叉验证
代码补全：秒级上下文感知代码生成
氛围编程：自然语言多轮对话快速开发
MCP：集成标准化系统连接，支持API、数据库、自定义工具集成
多模态：支持图片上传和视觉上下文输入
技能支持：可扩展技能系统，支持专业化任务工作流

特性

严肃编程：Strict Mode，规范AI生成代码流程，使其符合企业开发场景，确保输出高质量、高可控
代码审查：全仓库索引解析，公司级编码知识库RAG，采用多专家模型专项检查+多模型交叉确认策略
多语言支持：Python、Go、Java、JavaScript/TypeScript、等编程语言
隐私与安全：专业私有化部署方案，物理隔离+端到端加密
API与模型自定义：内置免费高级模型，支持Anthropic、OpenAI、兼容OpenAI的API及本地模型
大仓库上下文：自动纳入全仓库上下文，支持@文件/文件夹提及
模式自定义：多种默认模式（Code、Orchestrator）+自定义模式支持
OpenSpec集成：通过/openspec-init初始化标准化变更提案工作流
快捷菜单：选中代码右键菜单，支持解释、修复、改进、注释、审查、日志、容错、简化、性能优化等功能
VSCode SCM集成：与Git无缝集成，支持代码审查与协作
自动清理历史：自动清理历史记录，减少磁盘占用
历史导入导出：支持历史记录的导入与导出，便于离线迁移
精简模式：减少上下文使用量，降低Token消耗

实战

使用方式：

CoStrict Cloud
插件：支持VS Code、JetBrains
CLI：

CLI安装

AI-CodeReview-Gitlab

开源（GitHub，1.7K Star，385 Fork）基于大模型（DeepSeek、OpenAI等）的GitLab自动代码审查工具，提供可视化Dashboard；支持钉钉/企业微信/飞书推送消息和生成日报；支持Docker部署。

功能特性：

多模型支持：兼容DeepSeek、ZhipuAI、OpenAI、Anthropic、通义千问和Ollama
消息即时推送：审查结果一键直达钉钉、企业微信或飞书
自动化日报生成：基于GitLab、GitHub、Gitea Commit记录，自动整理每日开发进展
可视化Dashboard：集中展示所有Code Review记录，项目统计、开发者统计，数据说话
多种审查风格：Review Style
- 专业型：严谨细致，正式专业
- 讽刺型：毒舌吐槽，专治不服
- 绅士型：温柔建议，如沐春风
- 幽默型：搞笑点评，快乐改码
Agentic Review模式
- LLM拥有工具调用能力（read_file、沙箱run_command），可在本地克隆的代码库内自主探索，产出更全面审查结果
- shell默认仅允许读类命令（ls、cat、grep、find、git log…），沙箱+路径越界+30s超时三重防护
- 任意阶段失败（clone、fetch、LLM、工具调用）自动降级回diff_only，保证至少返回与原版一致的审查

原理示意图

实战

基于Docker部署：

gitclone https://github.com/sunmh207/AI-Codereview-Gitlab.gitcdAI-Codereview-Gitlabcpconf/.env.dist conf/.envvimconf/.envdocker-composeup-d

浏览器访问http://localhost:5001开始体验，

.env环境变量文件：

# LLM供应商配置，支持zhipuai、openai、deepseek和ollama LLM_PROVIDER=deepseek # DeepSeek DEEPSEEK_API_KEY=xxx # 支持文件类型，未配置的文件类型不会被审查 SUPPORTED_EXTENSIONS=.java,.py,.php,.yml,.vue,.go,.c,.cpp,.h,.js,.css,.md,.sql # 钉钉消息推送：0-不发送，1-发送 DINGTALK_ENABLED=0 DINGTALK_WEBHOOK_URL=xxx # Gitlab配置 GITLAB_ACCESS_TOKEN=xxxxx

Entire Dashboard

配套开源（GitHub）项目。使用AI Agent开发工具，并希望对人机交互过程进行全面的记录与回溯分析，提供完整的人机交互记录与可视化分析功能，可帮助你深入理解AI Agent的使用模式，优化交互体验，提升开发效率。

Code-Review-Skill

项目主页，开源（GitHub，1.3K Star，131 Fork）技能，汇总20多种语言和框架，21000多行审查指南。

功能特性：

渐进式加载：按语言分类
四阶段审查流程：
- 阶段一：上下文收集。理解PR范围、关联Issue和实现意图
- 阶段二：高层级审查。架构设计-性能影响- 测试策略
- 阶段三：逐行深度分析。逻辑正确性-安全漏洞-可维护性-边界情况
- 阶段四：总结与决策。结构化反馈-审批状态-后续行动项
严重性标记：
- blocking：必须修复
- important：应当修复
- nit：小问题
- suggestion：可选建议
- learning：学习说明
- praise：表扬亮点
安全优先：每个语言都有自己的安全检查清单，Go会查goroutine泄漏，Rust会查unsafe块有没有SAFETY注释，Java会查JPA的N+1
协作式语气：技能让CC用提问代替命令，问开发者：这里是否考虑过xxx方案？
自动化感知：分得清哪些该人工看，哪些该交给Linter

实战

命令行安装：

gitclone https://github.com/awesome-skills/code-review-skill.git ~/.claude/skills/code-review-skillgitclone https://github.com/awesome-skills/code-review-skill.git `"$env:USERPROFILE\.claude\skills\code-review-skill"

Code-Review-GPT-Gitlab

开源（GitHub，823 Star，100 Fork）针对于Gitlab的LLM辅助Code Review工具，官方文档。

架构

部署：

Docker
源码

基于源码部署：

gitclone git@github.com:mimo-x/Code-Review-GPT-Gitlab.gitcdCode-Review-GPT-Gitlab/backend pipinstall-rrequirements.txt# 数据库迁移python manage.py migrate# 启动后端服务python manage.py runserver0.0.0.0:8001# 或使用: ./start.sh# 前端cdfrontendnpminstallnpmrun devnpmrun build

CodeReviewGPT

开源（GitHub，606 Star，76 Fork）Chrome浏览器插件，搜索codereview.gpt并安装，不过代码已3年多未更新。

使用流程：

安装浏览器插件
配置OpenAI API Key
打开GitHub PR或GitLab MR页面
点击插件图标，等待几分钟，以弹窗形式获取代码合并评论

BitsAI-CR

字节发布论文。基于LLM的自动化代码审查框架，专为大规模工业环境设计。通过三阶段流水线和数据飞轮机制，实现高效、精确的代码质量保障。

核心特性

三阶段审查流程：RuleChecker（宽检测）→ReviewFilter（严过滤）→二次判断
数据飞轮机制：持续学习和性能优化
多语言支持：特别优化Go语言，在ByteDance环境中Outdated Rate仅为 26.7%
高精度：审查评论生成精度达75.0%
大规模部署：服务超过12K周活跃用户

基于四大维度构建全面的代码审查规则：

代码缺陷(Code Defect)：空指针、逻辑错误、边界检查等
安全性(Security)：SQL注入、XSS、CSRF等
可维护性(Maintainability)：代码重复、魔法数字、注释缺失等
性能(Performance)：数据结构选择、循环优化等

三阶段流水线

信息收集：从SVN/diff文件提取变更内容，扩展上下文
RuleChecker：基于规则的初步检测，宁可多报不漏报
ReviewFilter：利用更多上下文进行精确验证
二次判断：整体审视，最终PASS/FAIL判定
评论聚合：去重和整理审查结果

非官方开源实现：https://github.com/hzzhenggt/bits-ai-cr

CodeRabbit

官网，AI代码审查工具，能以插件方式集成到VS Code、Cursor等主流编辑器。

以超过200万个连接仓库、1300万次已审查Pull Request，稳坐全球使用量第一的AI PR审查平台宝座。

提交Pull Request瞬间，CodeRabbit就会自动分析整个变更集，生成包含逐行评论、安全漏洞警告、性能问题建议的完整审查报告，整个过程通常在几分钟内完成。

核心功能

智能PR自动审查引擎：采用多层次审查架构：首先扫描整个仓库建立代码图谱（Code Graph），理解各模块之间的依赖关系；接着对每个diff进行语义理解，用自然语言解释每次变更的意图；最后生成可互动的审查评论，支持“一键修复”建议。自动生成Sequence Diagram，会自动为每个PR绘制出代码流程图，让审查者能直观地看到变更对系统架构的影响，在大型重构场景中极为实用。
40+ SAST工具：深度集成超过40种静态分析（SAST）工具和Linter，涵盖几乎所有主流语言和安全扫描工具。所有这些工具都在沙箱环境中隔离执行，确保审查过程不会对原始仓库产生任何副作用。
- JavaScript/TypeScript：Biome、ESLint
- Python：Ruff、Pylint
- Go：golangci-lint
- Rust：Clippy
- Ruby：RuboCop、Brakeman
- 安全扫描：TruffleHog（密钥检测）、Trivy（基础设施即代码安全）
Issue Planner：不再只是代码写完后的审查工具，而是延伸到开始写代码之前的规划阶段。当你在Linear、Jira、GitHub Issues中建立新Issue时，会自动分析问题描述，并根据现有代码库的结构，自动生成详细Coding Plan，包含需要修改的具体文件、函数和接口。这份规划文件可以直接传递给AI Coding Agent，大幅减少因需求不明确导致的返工。
Agentic Chat：主动协作。支持在PR评论中使用自然语言与AI互动，在评论中@coderabbitai提问，解释代码逻辑、生成单元测试、补充docstring文档、开新PR来实施建议的修改。

优点