第2469篇：AI增强的Code Review——在代码审查中引入AI辅助检查
2026/4/30大约 5 分钟
第2469篇：AI增强的Code Review——在代码审查中引入AI辅助检查
适读人群：Java工程师、技术负责人 | 阅读时长：约15分钟 | 核心价值：构建AI辅助的Code Review流程，提升审查效率和质量一致性
Code Review这件事，我做了很多年，有一个体会：同一个团队，不同人review同一段代码，发现的问题可能完全不同。
A同事专注于性能，他会发现所有的N+1查询。B同事专注于安全，他会发现所有的输入验证缺失。C同事专注于代码风格，他会挑所有不符合规范的命名。
这不是坏事，但意味着代码审查的质量很依赖review者的个人经验和关注点。如果当天review者比较忙，或者对某个领域不熟悉，重要问题就可能被遗漏。
AI能做到什么？：系统性地、无疲劳地、多维度地检查代码，弥补单人review的盲区。
AI Code Review的定位
说清楚这件事的前提：AI Code Review是辅助，不是替代。
人工review的价值在于：
- 理解业务意图，判断实现是否符合需求
- 架构层面的思考和建议
- 传递团队内的编码文化和最佳实践
- 发现需要重构或设计变更的深层问题
AI review的价值在于：
- 系统性检查所有代码，不遗漏
- 不受疲劳和情绪影响，注意力不下降
- 快速的初步筛查，把明显问题挡在人工review之前
- 多维度同时检查（性能+安全+可维护性）
核心实现
1. Review配置系统
不同类型的PR，review侧重点不同：
@Component
public class ReviewConfigSelector {
/**
* 根据PR的特征，选择合适的review配置
*/
public ReviewConfig selectConfig(PullRequestContext prContext) {
// 支付/金融相关的PR：重点安全和逻辑正确性
if (prContext.touchesPaymentCode()) {
return ReviewConfig.PAYMENT_CRITICAL;
}
// 数据库迁移脚本：重点兼容性和回滚安全性
if (prContext.containsDatabaseMigrations()) {
return ReviewConfig.DATABASE_MIGRATION;
}
// API变更：重点向后兼容性
if (prContext.containsAPIChanges()) {
return ReviewConfig.API_CHANGE;
}
// 性能敏感路径：重点性能
if (prContext.touchesHotPath()) {
return ReviewConfig.PERFORMANCE_SENSITIVE;
}
// 默认配置
return ReviewConfig.DEFAULT;
}
// 支付代码的review配置
private static final ReviewConfig PAYMENT_CRITICAL = ReviewConfig.builder()
.reviewAspects(Set.of(
ReviewAspect.SECURITY,
ReviewAspect.DATA_INTEGRITY,
ReviewAspect.CONCURRENCY,
ReviewAspect.ERROR_HANDLING
))
.strictnessLevel(StrictnessLevel.HIGH)
.requireHumanReviewForAll(true) // 所有AI发现的问题都需要人工确认
.build();
}2. 结构化Review分析器
@Service
public class StructuredCodeReviewer {
private final ChatClient chatClient;
private final ReviewConfigSelector configSelector;
public ReviewResult review(FileDiff diff, ReviewContext context) {
ReviewConfig config = configSelector.selectConfig(context.getPrContext());
// 构建针对性的review prompt
String reviewPrompt = buildReviewPrompt(diff, config, context);
ChatResponse response = chatClient.call(new Prompt(
List.of(
new SystemMessage(buildSystemPrompt(config)),
new UserMessage(reviewPrompt)
),
OpenAiChatOptions.builder()
.withModel("gpt-4o")
.withTemperature(0.2f)
.withResponseFormat(new ResponseFormat(ResponseFormat.Type.JSON_OBJECT))
.build()
));
ReviewResult rawResult = parseResult(response.getResult().getOutput().getContent());
// 过滤低置信度的建议
return filterByConfidence(rawResult, config.getMinConfidenceThreshold());
}
private String buildSystemPrompt(ReviewConfig config) {
return """
你是一个%s的代码审查员。
审查侧重点：%s
审查原则：
- 只指出真实的问题，不要鸡蛋里挑骨头
- 代码风格问题不在范围内（除非严重影响可读性）
- 对于不确定的问题，标注置信度并解释疑虑
- 给出具体可操作的改进建议
- 如果代码写得好，可以给出正面反馈
严格程度：%s
返回JSON：
{
"lineComments": [
{
"line": 行号,
"severity": "BLOCKER/CRITICAL/MAJOR/MINOR/INFO",
"category": "类别",
"comment": "问题描述",
"suggestion": "改进建议",
"confidence": 0.0-1.0,
"codeExample": "修改后的代码示例（如果需要）"
}
],
"overallAssessment": {
"verdict": "APPROVE/REQUEST_CHANGES/COMMENT",
"summary": "整体评估",
"strengths": ["代码的优点"],
"concerns": ["主要关注点"]
}
}
""".formatted(
config.getReviewerPersona(),
config.getAspectDescriptions(),
config.getStrictnessLevel().getDescription()
);
}
private ReviewResult filterByConfidence(ReviewResult result, double minConfidence) {
List<LineComment> filteredComments = result.getLineComments().stream()
.filter(c -> c.getConfidence() >= minConfidence)
.collect(toList());
return result.withLineComments(filteredComments);
}
}3. 批量和增量Review
@Service
public class IncrementalReviewService {
private final StructuredCodeReviewer reviewer;
private final ReviewCache reviewCache;
/**
* 增量review：只review自上次review以来发生变化的代码
* 对于多次push的PR，避免重复review没有变化的部分
*/
public IncrementalReviewResult reviewIncremental(
PullRequest pr,
String previousReviewCommit,
String currentCommit) {
// 获取两次commit之间的diff
List<FileDiff> incrementalDiffs = gitClient.getDiff(
pr.getRepo(), previousReviewCommit, currentCommit
);
if (incrementalDiffs.isEmpty()) {
return IncrementalReviewResult.noChanges();
}
// 对增量变化进行review
List<ReviewResult> results = incrementalDiffs.parallelStream()
.filter(d -> d.getAdditions() > 0) // 只review新增代码
.map(diff -> {
// 检查缓存（完全相同的文件内容不重复review）
String cacheKey = diff.getFilename() + ":" + diff.getSha();
return reviewCache.getOrCompute(cacheKey, () ->
reviewer.review(diff, buildContext(pr))
);
})
.collect(toList());
return IncrementalReviewResult.of(results, previousReviewCommit, currentCommit);
}
}4. Review建议的GitHub集成
把review结果发布到GitHub PR：
@Service
public class GitHubReviewPublisher {
private final GitHubClient githubClient;
public void publishReview(PullRequest pr, List<ReviewResult> results) {
// 收集所有行级注释
List<ReviewComment> comments = results.stream()
.flatMap(r -> r.getLineComments().stream()
.filter(c -> c.getSeverity().isWorthReporting())
.map(c -> mapToGitHubComment(r.getFilename(), c))
)
.collect(toList());
// 确定overall verdict
boolean hasBlocker = results.stream()
.flatMap(r -> r.getLineComments().stream())
.anyMatch(c -> c.getSeverity() == CommentSeverity.BLOCKER);
boolean hasCritical = results.stream()
.flatMap(r -> r.getLineComments().stream())
.anyMatch(c -> c.getSeverity() == CommentSeverity.CRITICAL);
String body = buildReviewBody(results, comments.size());
// 发布review
if (hasBlocker) {
githubClient.requestChanges(pr, body, comments);
} else if (hasCritical) {
githubClient.addReview(pr, body, "COMMENT", comments); // 不block，但要人关注
} else {
githubClient.approveWithComments(pr, body, comments);
}
}
private String buildReviewBody(List<ReviewResult> results, int totalComments) {
long criticalCount = results.stream()
.flatMap(r -> r.getLineComments().stream())
.filter(c -> c.getSeverity() == CommentSeverity.CRITICAL ||
c.getSeverity() == CommentSeverity.BLOCKER)
.count();
StringBuilder body = new StringBuilder();
body.append("## AI Code Review 摘要\n\n");
body.append("🤖 **自动代码审查完成**，以下是发现的问题汇总：\n\n");
body.append(String.format("- 总计: %d 条注释\n", totalComments));
body.append(String.format("- 需要处理: %d 条高优先级问题\n\n", criticalCount));
if (criticalCount > 0) {
body.append("⚠️ **请重点关注带 CRITICAL/BLOCKER 标注的注释，在人工review通过前建议先处理这些问题。**\n\n");
}
body.append("---\n");
body.append("*此review由AI自动生成，请结合人工判断，如有争议以人工review为准。*\n");
return body.toString();
}
}团队落地的实际效果
我们团队用了4个月AI Code Review，有几个观察：
工程师的接受度比预期好。大家一开始担心"AI指点我写代码"，但实际上AI确实发现了不少真实问题，而且不挑剔风格，只说实质问题，接受度很高。
节省了Review轮次。之前一个PR平均要2-3轮review才能合并（改了又发现新问题）。AI review先把明显问题挡掉之后，人工第一轮review的效率高了很多，通常1轮就能过。
有一类问题AI特别擅长发现：资源泄露（Stream没关、数据库连接没释放）和异常吞没（catch了Exception但什么都不做）。这类问题人工review容易遗漏，AI不会漏。
有一类问题AI基本帮不上忙：业务逻辑的合理性。AI不知道这段代码要实现什么业务目标，它只能检查代码在技术上是否正确，不能判断业务上是否正确。