使用AI进行代码审查

优质文章学习记录

— 11 min read

ai-code-review

在日常开发中，我们经常会遇到一些问题，比如代码质量问题、安全问题等。如果我们每次都手动去检查，不仅效率低下，而且容易出错。

所以我们可以利用 AI 来帮助我们检查代码，这样可以提高我们的效率

那么，如何利用 AI 来检查代码呢？
在这里我先厚着脸皮要下star吧。一款基于AI进行代码审核的插件。插件地址，希望大家能支持下。

1. 使用 JS 脚本

这种方法其实就是写一个简单的脚本，通过调用 OpenAI 的 API，将代码提交给 AI 进行评审。
这里我们需要使用 Node.js 来实现这个功能。利用 git 的 pre-commit hooks,在 git 提交前执行这个脚本。整体流程如下：

在这里插入图片描述

接下来我们来具体实现下代码。在项目根目录下新建一个pre-commit.js文件，这个文件就是我们的脚本。

1.1 校验暂存区代码

通过 git diff --cached 验证是否存在待提交内容，如果没有改动则直接退出提交。

const{ execSync }=require('child_process');constcheckStaged=()=>{try{const changes =execSync("git diff --cached --name-only").toString().trim();if(!changes){ console.log("No staged changes found."); process.exit(0);}}catch(error){ console.error("Error getting staged changes:", error.message); process.exit(1);}}

1.2 获取差异内容

constgetDiff=()=>{try{const diff =execSync("git diff --cached").toString();if(!diff){ console.log("No diff content found."); process.exit(0);}return diff;}catch(error){ console.error("Error getting diff content:", error.message); process.exit(1);}}

1.3 准备prompt

这里我们需要准备一个 prompt，这个 prompt 就是用来告诉 AI 我们要检查什么内容。

constgetPrompt=(diff)=>{return` 你是一名代码审核员，专门负责识别git差异中代码的安全问题和质量问题。您的任务是分析git 差异，并就代码更改引入的任何潜在安全问题或其他重大问题提供详细报告。 这里是代码差异内容： ${diff} 请根据以下步骤完成分析： 1.安全分析: - 查找由新代码引发的一些潜在的安全漏洞，比如: a)注入缺陷（SQL注入、命令注入等） b)认证和授权问题 ... 2. 代码逻辑和语法分析: -识别任何可能导致运行时错误的逻辑错误或语法问题，比如： a)不正确的控制流程或条件语句 b)循环使用不当，可能导致无限循环 ... 3. 报告格式： 对于每个发现的问题，需要按照严重等级分为高/中/低。 每个问题返回格式如下： -[严重等级]（高中低）- [问题类型](安全问题/代码质量) - 问题所在文件名称以及所在行数 - 问题原因 + 解决方案 4. 总结: 在列出所有单独的问题之后，简要总结一下这些变化的总体影响，包括： -发现的安全问题数量（按严重程度分类） -发现的代码质量问题的数量（按严重性分类） 请现在开始你的分析，并使用指定的格式陈述你的发现。如果没有发现问题，请在报告中明确说明。 输出应该是一个简单的结论，无论是否提交这些更改，都不应该输出完整的报告。但是要包括文件名。并将每行标识的问题分别列出。 如果存在高等级的错误，就需要拒绝提交 回答里的结尾需要单独一行文字 "COMMIT: NO" 或者 "COMMIT: YES" 。这将用来判断是否允许提交 `}

1.4 定义一个 AI 执行器

这里我用 chatgpt 实现的，具体代码如下：

constexecCodeReviewer=(text)=>{const apiKey =''const apiBaseUrl =''const translateUrl =`${apiBaseUrl}/v1/chat/completions`returnnewPromise((resolve, reject)=>{fetch(translateUrl,{method:'POST',headers:{'Content-Type':'application/json',Authorization:`Bearer ${apiKey}`,},body:JSON.stringify({stream:false,messages:[{role:'user',content: text,},],}),}).then(res=> res.json().then(data=>resolve(data.choices[0].message.content))).catch(err=>{ console.error(err)})})}

1.5 结果处理

这里我们需要解析一下结果，提取结果中是否包含 "COMMIT: YES"关键字，有则允许提交，否则不允许提交并打印结果

consthandleReviewResult=(result)=>{const decision = result.includes("COMMIT: YES")?"YES":"NO";if(decision ==='NO'){ console.log("\nCritical issues found. Please address them before committing."); console.log(details); process.exit(1);} console.log("\nCommit approved.");}

1.6 主函数执行整个流程

constmain=async()=>{try{checkStaged();const diffContent =getDiff(); console.log("Running code review...");const prompt =getPrompt(diffContent);const reseponse =awaitexecCodeReviewer(prompt);handleReviewResult(reseponse) process.exit(0);}catch(error){ console.error("Error:", error.message); process.exit(1);}}

1.7 git hooks里添加执行该脚本逻辑

进入项目根目录，在这里运行 git bash。打开pre-commit钩子文件

vim .git/hooks/pre-commit

然后添加以下内容

#!/bin/shGIT_ROOT=$(git rev-parse --show-toplevel)node"$GIT_ROOT/pre-commit.js"exit$?

保存退出后，我们就可以使用 git 做下测试。

1.8 测试

我新建了一个 test.js 文件，然后添加如下代码：

constfn=()=>{let num =0for(let i =0;true; i++){ num += i }}

然后执行 git add . 然后 git commit -m “test”。效果如下：

在这里插入图片描述

看来还是不错的，有效识别代码中的逻辑缺陷与语法隐患（如无限循环、变量误用等），同时当不满足提交条件后，也是直接终止了 commit。这里面其实比较关键的是 prompt 的内容，ai 评审的效果主要就是取决于它。

2. ai-pre-commit-reviewer 插件

上面我们是通过 js 脚本来实现的，其实也可以通过现成插件来实现。原理和第一个方法是一样的，只不过是插件帮我们封装好了，我们只需要配置下即可。插件地址，欢迎大家star。

2.1 安装插件

npminstall ai-pre-commit-reviewer --save-dev #安装完成后执行 npx add-ai-review #添加执行逻辑到git pre-commit钩子中

2.2 配置文件

插件安装完成后，新建一个.env 文件

baseURL= *** #模型服务地址apiKey=*** #模型服务密钥language=chinese #语言

2.3 效果预览

在这里插入图片描述

也可以配合husky使用，进行语法检查后执行code review。

在这里插入图片描述

我这里也是更推荐大家使用这个，简单易上手。

3. gerrit + ai-code-review

Gerrit 是由 Google 开发的代码审查管理系统，基于 Git 版本控制系统构建，主要特性包括：

  • 强制代码审查机制：所有代码必须通过人工/自动化审查才能合并
  • 细粒度权限控制：支持基于项目/分支的访问权限管理
  • 在线代码对比：提供可视化差异查看界面（Side-by-Side Diff）
  • 插件扩展体系：可通过插件集成 CI/CD、静态分析等工具

其核心功能主要是通过 refs/for/ 推送机制，确保所有代码变更必须通过审核。因此我们可以利用 ai 代替人工去执行代码 review，这样效率也会更高效。

2.1 gerrit 安装与配置

# 执行以下命令docker pull gerritcodereview/gerrit:latest

安装完后可以看下容器列表

在这里插入图片描述

没问题后启动服务，然后在浏览器中访问 http://localhost:8080/ 就可以看到gerrit首页

2.1.1 配置 ssh 密钥
ssh-keygen -t ed25519 -C"[email protected]"# 直接按3次回车（不要设置密码）cat ~/.ssh/id_ed25519.pub # 复制输出的内容

然后在 “settings” 页面中选择左侧的"SSH Keys",将复制的公钥内容粘贴进去。添加完成后测试下连接情况。

ssh-p29418 admin@localhost # 输入yes接受指纹

看到 Welcome to Gerrit Code Review 表示成功

2.1.2 拉取项目测试

可以在 BROWSE > Repositories 里查看当前项目列表，我这里用 All-Projects 做下测试，理论上是要新建项目的。

git clone "ssh://admin@localhost:29418/All-Projects"

安装 Gerrit 提交钩子 commit-msg（必须！）。Gerrit 依赖 commit-msg 钩子实现以下功能：

  1. 生成 Change-Id：每个提交头部自动添加唯一标识符，格式示例 Change-Id: I7e5e94b9e6a4d8b8c4f3270a8c6e9d3b1a2f5e7d
  2. 校验提交规范: 确保提交信息符合团队约定格式（如包含任务编号）
  3. 防止直接推送: 强制推送到 refs/for/ 路径而非主分支
cd All-Projects curl-Lo .git/hooks/commit-msg http://localhost:8080/tools/hooks/commit-msg chmod +x .git/hooks/commit-msg

然后新建个js文件，写点代码并提交。

git push origin HEAD:refs/for/refs/meta/config # 提交到 refs/meta/config 分支

然后在gerrit首页可以看到刚刚提交的代码，点击查看详情，可以看到代码审核的流程。

在这里插入图片描述

2.2 插件安装和配置

将 ai-code-review 插件克隆到本地。插件详情可参考官方文档。此插件可以使用不同的 AI Chat 服务（例如 ChatGPT 或 OLLAMA）

git clone https://gerrit.googlesource.com/plugins/ai-code-review

安装 Java 和构建工具

sudoapt update sudoaptinstall-y openjdk-21-jdk maven # 官方文档说 11 就行，但是我实际上跑了后发现需要 JDK 21+

进去项目目录构建 JAR 包

cd ai-code-review mvn clean package

当输出BUILD BUILD SUCCESS时，表示构建成功。进入目录看下生成的包名。

在这里插入图片描述

然后将生成的jar包复制到 gerrit 的 plugins 目录下

# 我这里容器名为 gerrit，JAR 文件在 target/ 目录dockercp target/ai-code-review-3.11.0.jar gerrit:/var/gerrit/plugins/

然后进入容器内看下插件列表，确认插件已经安装成功

在这里插入图片描述

也可以在 gerrit 网页端查看插件启动情况

在这里插入图片描述

接着修改配置文件，在 gerrit 的 etc 目录下找到 gerrit.config 文件。但在这之前需要在 Gerrit 中创建一个 AI Code Review 用户，这个席位用于 AI 来使用进行代码评审。

vi var/gerrit/etc/gerrit.config

在文件里添加以下内容。

[plugin "ai-code-review"] model = deepseek-v3 aiToken = *** aiDomain = *** gerritUserName = AIReviewer aiType = ChatGPT globalEnable = true 。
  • model(非必填): 使用的模型
  • aiToken(必填): AI模型的密钥
  • aiDomain(非必填): 请求地址，默认是 https://api.openai.com
  • gerritUserName(必填): AI Code Review 用户的 Gerrit 用户名。我这里创建的用户名为 AIReviewer
  • aiType(非必填): AI类型，默认是 ChatGPT
  • globalEnable(非必填): 是否全局启用，默认是 false, 表示插件将仅审核指定的仓库。如果不设置为true的话。需要添加enabledProjects参数，指定要运行的存储库，例如：“project1,project2,project3”。

更多字段配置参考官方文档

这些都完成后，重启 gerrit 服务。然后修改下代码，写段明显有问题的代码，重新 commit 并 push 代码，看下 AI 代码评审的效果怎么样。

在这里插入图片描述


可以看到 ai 审查代码的效果还是不错的。当然我这里是修改了插件的prompt，让它用中文生成评论，它默认是用英文回答的。

Read more

N46Whisper：3步搞定日语视频字幕的终极免费方案

N46Whisper：3步搞定日语视频字幕的终极免费方案 【免费下载链接】N46WhisperWhisper based Japanese subtitle generator 项目地址: https://gitcode.com/gh_mirrors/n4/N46Whisper 还在为日语视频字幕制作而烦恼吗？N46Whisper让AI字幕制作变得前所未有的简单！这款基于Google Colab的云端工具，专为日语语音转字幕设计，零基础也能快速上手。🎉 为什么要用N46Whisper？ 传统方式痛点N46Whisper解决方案效率对比手动打字耗时耗力AI自动语音识别节省80%时间字幕格式复杂难懂自动生成ass/srt格式一键导出翻译质量参差不齐支持智能翻译模型翻译质量提升70% 🚀 核心优势一览 * 完全免费：无需付费订阅，打开浏览器即可使用 * 云端处理：利用Google Colab的强大算力，告别本地配置烦恼 * 高精度识别：基于Whisper模型，日语识别准确率超90% * 双语支持：日语原文+中文翻译，学习娱乐两不误 快速入门：3步制作专业

FauxPilot：开源GitHub Copilot替代方案完整指南

FauxPilot：开源GitHub Copilot替代方案完整指南 【免费下载链接】fauxpilotFauxPilot - an open-source alternative to GitHub Copilot server 项目地址: https://gitcode.com/gh_mirrors/fa/fauxpilot 你是否在寻找一个完全免费、开源的AI代码助手？FauxPilot正是你需要的解决方案！这是一个开源的GitHub Copilot替代服务器，让你能够在本地部署自己的AI编程助手，享受智能代码补全的便利，同时保护代码隐私和安全。 🚀 项目亮点速览 开源免费 - 完全开源，没有任何使用限制，告别付费订阅的烦恼 隐私保护 - 本地部署确保你的代码永远不会离开你的服务器 高度定制 - 支持多种AI模型，可以根据你的需求灵活配置 跨平台支持 - 在多种操作系统上都能稳定运行 📋 快速上手指南 环境准备 首先确保你的系统已安装Docker和Docker Compose，这是运行FauxPilot的基础环境。
LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL 目录 LLaMA-Factory微调多模态大模型Qwen3-VL 1. 显卡驱动 2. 模型微调 3. 模型导出 4. 模型部署：vLLM服务 5. 测试效果 1. 显卡驱动 * 显卡型号：NVIDIA GeForce RTX 3090 24G * 显卡驱动：NVIDIA-SMI 535.171.04             * CUDA: 12.2 ,Driver Version: 535.171.04   微调Qwen3-VL-2B模型，至少需要12G显存 2. 模型微调 项目采用大型语言模型工厂（LLaMA-Factory）对大模型微调，目前可支持Qwen3 / Qwen2.5-VL / Gemma 3 / GLM-4.1V / InternLM
把 Whisper、Moonshine、SenseVoice 统统装进手机：sherpa-onnx 离线语音部署框架，GitHub 10.9K Star

把 Whisper、Moonshine、SenseVoice 统统装进手机：sherpa-onnx 离线语音部署框架，GitHub 10.9K Star

导读： 语音 AI 模型更新很快——Whisper、Moonshine、SenseVoice、FireRedASR、Paraformer，几乎每个月都有新模型发布。但对开发者来说，选好模型只是第一步，真正的工程挑战在后面：怎么把它跑在手机上？嵌入式设备上？浏览器里？怎么接入 NPU 加速？怎么在没有网络的环境下运行？ sherpa-onnx 是 next-gen Kaldi 团队开源的语音推理部署框架（GitHub 10.9k stars，Apache 2.0 协议），它的定位很明确：将多种语音模型统一转成 ONNX 格式，部署到各类平台上，支持离线运行。覆盖 12 项语音功能、12 种编程语言、从服务器到嵌入式的多平台支持，最新版 v1.12.29 于