如何用 AI 做业务级 Code Review
Code Review 遇到的挑战
对于核心的业务项目来说,Code Review (代码评审) 是必不可少的。但现实中的代码评审时常常被以下几件事所困扰:
Diff 太多,看不过来开 类似的 Bug 出现过,复盘文档也有,然而新人不知道,老人记不清 AI 不懂业务,不能给出实质性的建议
因此,我们希望打造一个有记忆、懂业务、还看过你们线上事故的评审的 AI 助手,让它帮我们守最后一道门。
核心链路:从 git push 开始
整个流程可以大致分为以下几步
触发机制
“触发机制的选择” 其实是个产品问题:什么时候介入,才不打扰人? 我们最后选的是 GitLab Webhook 的事件驱动模式。开发者无需安装插件,也无需在本地执行脚本,只需按照往常一样进行 push 代码即可。
接入成本极低: 在 GitLab 项目或组织级别的 Webhook 配置中,只需勾选 Push events 和 Merge request events,并填入审核工具的统一回调地址。
多场景触发 :
代码驱动 :当发起目标为主分支的 MR,或已有的 MR 分支发生增量提交时,系统将即时开启审计。
工程管控 :深度集成公司构建平台,支持通过构建 Hook 配置,针对特定业务分支在构建环节手动或自动触发评审任务。
Diff 的深度预处理与语义重塑
当 Webhook 触发后,审核工具接收到的是一段包含 + 和 - 符号的原始 Diff 文本。原始 Diff 文本包含大量冗余符号和非逻辑变更。如果直接投喂给模型,不仅消耗 Token,还会导致模型注意力分散。
我们设计了一套预处理流水线:
特征过滤 :自动剔除
.lock、.json、样式及静态资源文件。切片化 Diff :先按文件切,单文件过大时再按行数或 chunk 二次切分
深度提取: 通过接口获取当前变更的完整 Context,然后识别出哪些是逻辑改动,进行一层筛选,剔除干扰项
补全逻辑代码: 识别到逻辑改动,会将整个逻辑方法的原实现也会带过去
调用模型语义化重塑: 系统会将精简后的 Diff 提交给大模型,但此时并不要求模型直接进行审计,而是要求它完成一项任务:“告诉我这段代码在做什么?”
模型分析代码的改动意图: 为后面的知识库匹配和深度 Review 打下基础
基于 RAG 的 “经验召回” 引擎
如果说语义分析是审核工具的 “眼睛”,那么基于向量数据库的 RAG (Retrieval-Augmented Generation) 流程就是它的 “大脑经验”。
这一块分为两个模块,知识库的数字化与在线语义检索
知识库的数字化
文档来源: 历史事故复盘、通用工具库、最佳业务实践、特定项目技术文档
流程: 结构化 Chunk 切片 -> Embedding Model 向量化 -> 存入公司内部 AI 平台的向量数据库
我们使用公司内部 AI 平台的知识库搭建
如何使用
查询向量化: 系统将代码变更简要作为查询指令,同样经过 Embedding Model 转换为嵌入向量。
向量检索 (Vector Search): 在向量空间中计算当前变更向量与数据库中知识向量的余弦相似度 (Cosine Similarity),找出相关性最高的前 2 条上下文知识。
代码打标: 这段与历史问题相似的代码进行打标并将该知识点注入 Prompt
深度 Review 与报告通知
将原始 Diff、语义简要以及检索到的历史问题,融合成复杂的上下文包,进行最终的请求:
构建 Prompt: 将三者融合成一个复杂的上下文包,给到 LLM。
可视化报告与反馈: 最终将评审意见渲染成一个可视化报告,发送消息通知给到用户。