cirolini/genai-code-review

解决的问题

该项目提供一个 GitHub Action，使用大型语言模型（LLMs）自动审查拉取请求的差异，并发布行内评论。它特别解决了「审查疲劳」问题，通过实施评论预算机制，仅突出显示最关键的发现，而不是让评审者被大量低价值评论淹没。

工作原理

1. 过滤：在将数据发送给 LLM 之前，先移除匹配 ignore_paths 的文件（如锁文件或生成代码）。
2. 增量审查：在后续推送时，仅分析自上次审查以来的新提交。
3. 分块处理：将差异拆分为多个块以适应模型的上下文窗口；无法容纳的内容将在摘要中报告。
4. 基于模式的分析：模型根据 JSON 模式（包括严重性、置信度和理由）生成发现。如果输出验证失败，工具会尝试一次修复。
5. 验证：检查发现是否与差异匹配，确保其能在 GitHub 上正确放置。无效的放置将移至摘要。
6. 发布：将按严重性和置信度排序的前 max_comments 个发现作为分组审查发布，并更新固定摘要评论。

适用人群

使用 GitHub 并希望获得专注且高信号 AI 辅助代码审查的开发者和团队，尤其适用于使用 OpenAI、Anthropic、Google Gemini 或自托管 OpenAI 兼容服务器（如 Ollama、vLLM）的用户。

主要亮点

• 评论预算：通过限制行内评论数量，并在摘要中明确列出被抑制的发现，防止评审者疲劳。
• 广泛的提供商支持：支持 Gemini、OpenAI、Anthropic 以及任何 OpenAI 兼容 API。
• 安全优先设计：将差异视为不受信任的数据，使用哨兵防止提示注入，并避免在 fork PR 中使用 pull_request_target。
• 零磁盘占用：通过 API 读取拉取请求，无需 actions/checkout。
• 透明报告：摘要评论会明确说明哪些内容未被审查（例如，被截断的差异或被忽略的文件）。