文章目录
- 背景
- 实现步骤
- 1.本地部署 AI 服务
- 2.开启服务接口
- 3.获取 diff
- 4.获取 code review的结果，并推送给相关人员
背景
我们平时的工作当中合并代码的时候都需要进行 code review，很多工具都能帮助我们自动进行代码审查，但一般都只能够进行代码格式和代码风格的检查，一些简单的逻辑就没有办法了。有没有可能让 AI 来帮我们做 code review 呢？让 AI 帮助我们检查代码的风格或者逻辑漏洞，并给出建议，最后再让相关的人确认，听起来这似乎是可行的。
具体的流程如下：
我们目前的工程托管在了 gitlab 上，每次发起一次 merge request 的时候都会产生一个事件，触发服务端将 diff 代码发送给本地 AI 大模型，AI review 完成之后，再将结果推送给相关人员。
code review 涉及到代码的保密，所以这里并没有使用 chatgpt 之类的服务，而是需要在本地部署一个 AI 服务。
实现步骤
1.本地部署 AI 服务
我用的是 llama3.1:8b 模型，实际测试资源占用相对较少，也能满足我们的需求，而且部署起来也非常的方便。
从这里下载：https://ollama.com/download/windows
选择对应的系统进行安装，安装完成之后执行命令，等待下载
ollama run llama3.1:8b
下载成功之后，就可以和它进行交互了
2.开启服务接口
这里我是用的是 lobe-chat，可以很方便的测试各种 AI 大模型，并且还可以在本地开启一个服务接口，通过 http 的方式和大模型进行交互。
地址：https://github.com/lobehub/lobe-chat.git
clone 下来之后在根目录执行
pnpm install
pnpm dev
执行完了之后，在浏览器输入 http://localhost:3010/ ，就可以看到 lobe-chat 的界面了，
我们可以在设置界面看到本地安装的大模型
设置之后可以和大模型进行对话
可以看到每次对话访问的都是本地的接口
这样我们也可以仿照这种方式和大模型进行交互。
3.获取 diff
gitlab 支持 webhook，并且 mr 事件当中还包含合并的 id，我们可以根据 id 获取到这次代码合并的 diff
https://gitlab.cn/docs/jh/api/merge_requests.html
def getDiff(project, mergeRequestId):token = project['token']projectId = project["projectId"]webhookUrl = "xxx"headers = {"PRIVATE-TOKEN": token}response = requests.get(webhookUrl, headers=headers)text = response.json()print(response.status_code)print(response.text)return text
4.获取 code review的结果，并推送给相关人员
这里直接利用 lobe-chat 访问的接口，将 diff 给到大模型，其中有几个参数需要注意，
temperature：控制生成文本的随机性，值越低输出更确定，值越高输出会更具创意，code review场景比较适合较低的值；
top_p：控制采样策略，较高的 top_p 会让模型选择更多样的词语。这里推荐的是0.8-0.9；
frequency_penalty：较高的值鼓励模型避免重复，较低的值允许模型更自由的重复；
presence_penalty：较高的值鼓励模型提出新观点或者主题，较低的值限制新话题产生，保持专注；推荐0.2-0.5；
def aiCodeReview(language, diff):print("start code review")url = "http://localhost:11434/api/chat"data = {"messages": [{"content": "你是一个资深的开发人员，非常擅长代码的code review","role": "system"},{"content": f"下面是gitlab中一次merge request的差异代码，使用的是{language}语言，请帮忙做一次code review，有问题可以直接指出问题，回答尽可能简洁。{diff}","role": "user"}],"model": "llama3.1:8b","options": {"frequency_penalty": 0.8,"presence_penalty": 0.2,"temperature": 0.3,"top_p": 0.9},"stream": False}headers = {"Content-Type": "application/json"}response = requests.post(url, headers=headers, data=json.dumps(data))content = response.json()suggest = content['message']['content']print(suggest)return suggest
AI 返回建议之后，将建议推送给相关人员，这里使用的是飞书机器人
这样就实现了每次发起 mr 之后，触发 AI 自动 code review 的能力。