研发提效：基于GitLab CI与大模型API的自动化Code Review实战

1. 背景与企业痛点

在敏捷开发流程中，Code Review (代码审查) 是保证代码质量的核心环节。然而，在中小型研发团队中，往往面临以下痛点：
1. 人工 Review 极其耗时：高级工程师每天被海量的 Merge Request (MR) 淹没，严重影响自身的业务开发。
2. Review 流于形式：为了赶进度，很多 Review 变成了单纯的“LGTM (Looks Good To Me)”，导致明显的逻辑错误、SQL 注入、内存泄漏被带入生产环境。

本文将演示如何利用极少量的 Python 脚本，结合 GitLab CI/CD Pipeline，在每次开发提交 MR 时，自动拉取代码 diff，并调用大语言模型（如 ChatGPT / 本地 Qwen2）的 API，实现毫秒级的自动代码审查并在 MR 下方自动发表评论。

2. 架构设计与前期准备

GitLab CI/CD: 利用 GitLab Runner 执行审查脚本。
Python 脚本: 调用 GitLab API 获取当前 MR 的 Diff 文本，组装 Prompt 发送给大模型。
大模型 API: 任何兼容 OpenAI 格式的 API 接口（如私有部署的 vLLM/Ollama，或者第三方的 DeepSeek/百川 API）。

2.1 获取 GitLab 个人访问令牌

登录 GitLab，进入 User Settings -> Access Tokens。
创建一个拥有 api 权限的 Token，记录为 GITLAB_API_TOKEN。
在目标项目的 Settings -> CI/CD -> Variables 中，将此 Token 以及大模型 API Key 存入环境变量。

3. 编写核心 Python 审查脚本

在项目根目录下创建一个 .gitlab/scripts/llm_reviewer.py 文件：

#!/usr/bin/env python3
import os
import requests
import json

GITLAB_URL = os.environ.get("CI_SERVER_URL")
PROJECT_ID = os.environ.get("CI_PROJECT_ID")
MR_IID = os.environ.get("CI_MERGE_REQUEST_IID")
GITLAB_TOKEN = os.environ.get("GITLAB_API_TOKEN")

LLM_API_URL = "https://api.deepseek.com/v1/chat/completions" # 兼容OpenAI格式
LLM_API_KEY = os.environ.get("LLM_API_KEY")

def get_mr_diff():
    url = f"{GITLAB_URL}/api/v4/projects/{PROJECT_ID}/merge_requests/{MR_IID}/changes"
    headers = {"PRIVATE-TOKEN": GITLAB_TOKEN}
    res = requests.get(url, headers=headers).json()
    diffs = []
    for change in res.get('changes', []):
        diffs.append(f"File: {change['new_path']}nDiff:n{change['diff']}")
    return "nn".join(diffs)

def ask_llm_for_review(diff_text):
    prompt = f"""你是一个资深的主任工程师，请审查以下代码的 Diff 变更。
请重点检查：1. 潜在的空指针异常；2. 数据库SQL注入风险；3. 内存泄漏风险；4. 变量命名是否符合 PEP8 规范。
如果没发现重大问题，请回复"✅ AI 审查通过"。否则请用 Markdown 格式列出优化建议。
n代码 Diff:n{diff_text[:3000]}""" # 限制长度避免Token超限

    headers = {
        "Authorization": f"Bearer {LLM_API_KEY}",
        "Content-Type": "application/json"
    }
    payload = {
        "model": "deepseek-coder",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.2
    }
    res = requests.post(LLM_API_URL, headers=headers, json=payload).json()
    return res['choices'][0]['message']['content']

def post_comment_to_mr(comment):
    url = f"{GITLAB_URL}/api/v4/projects/{PROJECT_ID}/merge_requests/{MR_IID}/notes"
    headers = {"PRIVATE-TOKEN": GITLAB_TOKEN}
    requests.post(url, headers=headers, data={"body": f"🤖 **AI 自动代码审查报告**nn{comment}"})

if __name__ == "__main__":
    if not MR_IID:
        print("Not a Merge Request. Skipping.")
        exit(0)

    diff = get_mr_diff()
    if diff:
        review_result = ask_llm_for_review(diff)
        post_comment_to_mr(review_result)

4. 编写 GitLab CI 管道配置

在项目根目录编辑 .gitlab-ci.yml，使得每次创建或更新 Merge Request 时自动触发审查：

stages:
  - test
  - review

ai_code_review:
  stage: review
  image: python:3.9-slim
  rules:
    - if: '$CI_PIPELINE_SOURCE == "merge_request_event"'
  before_script:
    - pip install requests
  script:
    - python .gitlab/scripts/llm_reviewer.py

5. 效果演示与总结

提交 MR 后，只需等待几秒钟，CI 流水线就会跑完。随后，大模型化身“资深老兵”，会自动在 MR 的讨论区发表评论：

🤖 AI 自动代码审查报告

⚠️ 发现潜在问题：
1. src/db.py 中 execute(f"SELECT * FROM users WHERE id = {user_id}") 存在极高的 SQL 注入风险，请改用参数化查询 execute("SELECT...", (user_id,))。
2. main.py 中的 file.open() 忘记调用 close()，或者建议使用 with open(...) 语法以防文件句柄泄漏。

通过引入这种极低成本的 API 脚本，企业不仅能大幅解放高级工程师的时间，更是在代码合入主干前，建立了一道永远不知疲倦、对低级错误零容忍的自动防御长城。