cirolini/genai-code-review

解決的問題

本專案提供一個 GitHub Action，利用大型語言模型（LLMs）自動審查拉取請求的差異，並發布行內評論。它特別解決了「審查疲勞」問題，透過實施評論預算機制，僅突出顯示最關鍵的發現，而非讓審查者被大量低價值評論淹沒。

工作原理

1. 過濾：在將資料傳送給 LLM 之前，先移除符合 ignore_paths 的檔案（如鎖定檔或產生的程式碼）。
2. 增量審查：在後續推送時，僅分析自上次審查以來的新提交。
3. 分塊處理：將差異拆分為多個區塊以適應模型的上下文視窗；無法容納的內容將在摘要中報告。
4. 基於模式的分析：模型根據 JSON 模式（包含嚴重性、置信度和理由）產生發現。若輸出驗證失敗，工具會嘗試一次修復。
5. 驗證：檢查發現是否與差異相符，確保其能在 GitHub 上正確放置。無效的放置將移至摘要。
6. 發布：將依嚴重性和置信度排序的前 max_comments 個發現作為分組審查發布，並更新固定摘要評論。

適用對象

使用 GitHub 並希望獲得專注且高訊號 AI 輔助程式碼審查的開發者與團隊，特別適用於使用 OpenAI、Anthropic、Google Gemini 或自架 OpenAI 相容伺服器（如 Ollama、vLLM）的使用者。

主要亮點

• 評論預算：透過限制行內評論數量，並在摘要中明確列出被抑制的發現，防止審查者疲勞。
• 廣泛的提供者支援：支援 Gemini、OpenAI、Anthropic 以及任何 OpenAI 相容 API。
• 安全優先設計：將差異視為不受信任的資料，使用哨兵防止提示注入，並避免在 fork PR 中使用 pull_request_target。
• 零磁碟佔用：透過 API 讀取拉取請求，無需 actions/checkout。
• 透明報告：摘要評論會明確說明哪些內容未被審查（例如，被截斷的差異或被忽略的檔案）。