企业官网建设流程全解析

1. 项目概述：一个真正能落地的开源代码审查 CLI 工具

“open-code-review”这个名字乍看像一句口号，但拆开来看——open不是指“开源”，而是指“开放上下文”；code-review也不是走形式的 PR 点击通过，而是让大模型真正理解你改了什么、为什么这么改、有没有隐藏风险。我从去年开始在团队里推这个工具，不是为了炫技，是真被传统 code review 搞怕了：新人提 PR 描述写“修复 bug”，结果改了核心状态机逻辑却没加测试；老手一气呵成提交 27 个文件，reviewer 看到第 5 个就放弃；更别说那些藏在 config.yaml 里的环境变量硬编码、SQL 拼接里漏掉的参数绑定、或者用==比较浮点数这种“看起来没问题”的陷阱。我们试过 GitHub Copilot 的 inline suggestion，也接入过 SonarQube + LLM 插件，但要么太重（要搭整套 pipeline），要么太轻（只扫语法不看语义）。直到把“git diff + prompt engineering + 本地 LLM 调用”这三件事拧成一股绳，才做出真正能嵌进日常开发流里的open-code-review——它不替代人，而是把 reviewer 从“找错机器”变成“决策教练”。核心关键词CLI、LLM、code review、git全部落在实处：它是个命令行工具，靠 git 获取变更上下文，用本地或可信 API 的 LLM 做语义分析，输出带依据、可追溯、能追问的审查意见。适合每天写代码的工程师、技术负责人、以及想把 LLM 落地到真实研发流程中的 DevOps 同学。它不教你怎么用 LLM，而是告诉你：当 LLM 真正坐在你的 git commit 旁边时，该问它什么、怎么问、怎么防它胡说。

2. 整体设计思路与方案选型逻辑

2.1 为什么必须是 CLI？而不是 Web UI 或 IDE 插件？

很多人第一反应是：“做个 VS Code 插件多方便！”——但实际踩坑后发现，IDE 插件有三个致命短板：一是启动延迟高，一次 review 动辄等 8~12 秒（尤其加载 context 时），打断心流；二是权限模型复杂，插件要读取整个 workspace，容易触发安全策略拦截；三是调试困难，日志分散在 extension host、renderer process、devtools 多个进程里，查个 prompt 渲染错误得开三窗口。而 CLI 天然符合 Unix 哲学：做一件事，并把它做好。open-code-review的核心链路只有四步：git diff --cached→ 提取变更片段 → 构建 prompt → 调用 LLM endpoint → 解析响应。每一步都可独立测试、可管道组合、可加-v查看中间态。比如你想验证 prompt 效果，直接open-code-review --dry-run --verbose就能打印出最终发给 LLM 的完整请求体，连 system message 和 few-shot examples 都原样呈现。更重要的是，CLI 可无缝集成进 pre-commit hook：我们在.pre-commit-config.yaml里加了一行repos: [{repo: local, hooks: [{id: open-code-review, name: LLM Code Review, entry: open-code-review, language: system, types: [python]}]}]，提交前自动跑一轮，问题严重时直接中断 commit。这不是“锦上添花”，而是把审查动作压进开发肌肉记忆里。Web UI 适合展示结果，CLI 才适合驱动流程。

2.2 为什么坚持“open”——开放上下文，而非封闭 prompt？

市面上不少 code review 工具把 LLM 当黑盒用：你传一段代码，它返回几条建议。但工程师最怕的不是建议错，而是不知道它凭什么这么说。比如 LLM 指出“这里存在空指针风险”，你得立刻反问：它看到的是哪一行？它假设了哪些调用路径？它是否误读了 try-catch 的覆盖范围？open-code-review的“open”就体现在上下文构建上——它不只传 diff，而是按严格优先级注入五层信息：

1. Git 元数据：当前分支名、commit hash、author、time（用于判断是否 hotfix）；
2. 变更摘要：git diff --stat输出的文件增删/行数变化，让 LLM 先建立“工作量感知”；
3. 精准 diff 片段：对每个修改文件，提取git show HEAD:<file>作为旧版 baseline，再用git diff -U0获取最小化 patch（去掉无关空行和注释），确保 LLM 看到的是“真实改动”而非“编辑器渲染结果”；
4. 周边代码锚点：对 diff 中涉及的函数，自动提取其 signature、docstring、相邻 5 行代码（非 diff 行），解决“只见树木不见森林”问题；
5. 项目约定快照：读取.open-code-review.yml中定义的 team rules（如“禁止使用 eval”、“所有 API 响应必须带 trace_id”），作为 hard constraint 注入 system prompt。
   这五层不是堆砌，而是有明确权重：元数据和 diff 片段占 prompt token 的 60%，周边代码占 25%，rules 占 15%。实测下来，这样构造的 prompt 让 LLM 在“识别隐式依赖”任务上准确率从 41% 提升到 79%（对比仅传 diff 的 baseline）。关键在于——所有这些上下文，都通过--debug-context参数可导出为 JSON，你能一眼看到 LLM 看到了什么，从而快速定位是“它没看到关键代码”，还是“它理解错了”。

2.3 LLM 接入策略：为什么拒绝“一键对接所有模型”？

热词里反复出现codex cli、zcode cli、trae cli，但open-code-review的设计哲学是：不为模型做适配，而为场景选模型。我们内部测试过 12 个主流开源/商用模型（Llama3-70B、DeepSeek-Coder-32B、Qwen2.5-Coder-32B、Claude-3.5-Sonnet、GPT-4o），结论很残酷：没有万能模型。比如 DeepSeek-Coder 在 Python 类型推断上 F1 达 92%，但在 Shell 脚本安全检查上连基础命令拼写都常错；Claude 对长上下文稳定性好，但对“修复建议”的可执行性差（常生成伪代码）；Qwen2.5 在中文注释理解上碾压所有竞品，但英文 error message 解析弱。因此open-code-review的 LLM 配置不是填 API key 那么简单，而是分三层：

• 模型层：指定model: deepseek-coder:32b或model: claude-3-5-sonnet-20240620，支持 Ollama、LiteLLM、自建 vLLM endpoint；
• 能力层：声明capabilities: [code-understanding, security-audit, style-check]，工具会据此裁剪 prompt template（比如开启 security-audit 时自动注入 CWE 分类规则）；
• 约束层：设置max_tokens: 2048、temperature: 0.1、top_p: 0.95，并强制启用json_mode: true（要求 LLM 输出结构化 JSON，避免自由文本解析失败）。
  最关键是——它允许 per-repo 配置。你在微服务 repo 里用deepseek-coder专注逻辑审查，在 infra repo 里切到qwen2.5处理 Terraform 模板，在 docs repo 用gpt-4o做中文术语一致性检查。这种“模型即配置”的思路，比“统一接入层”更贴近真实工程需求。

2.4 Git 深度集成：不只是git diff，而是理解 Git 的语义

很多 CLI 工具把 git 当作 diff 生成器，但open-code-review把 git 当作协作意图翻译器。它会主动解析 git 的语义信号：

• 如果是git commit --amend，它知道这是修正上次提交，会自动对比HEAD~1而非HEAD，并提示“本次修改是否覆盖了原 commit message 中承诺的功能？”；
• 如果检测到git merge后的冲突解决提交，它会跳过常规审查，转而运行merge-safety-check子命令：重点扫描<<<<<<</>>>>>>>标记残留、冲突标记未清理、以及合并后新增的跨模块调用；
• 对git rebase -i产生的 squash 提交，它会解包所有被 squash 的 commits，逐个审查再聚合风险点（避免“小修小改无风险”的错觉）。
  更实用的是它对 git 配置的尊重：读取core.autocrlf判断行尾处理方式，读取diff.noprefix决定是否在 diff 中显示a/b/前缀，甚至读取user.signingkey判断是否启用了 GPG 签名——后者会影响对“作者可信度”的权重计算（签名 commit 的 security warning 权重降低 30%）。这种深度集成不是炫技，而是让工具真正活在 git 的世界里，而不是强行把 git 塞进自己的框架。

3. 核心细节解析与实操要点

3.1 安装与初始化：零依赖，5 秒完成

open-code-review是纯 Python 实现（Python 3.9+），但安装方式刻意避开 pip install 的常见陷阱。我们提供三种方式，按推荐顺序排列：

1. Ollama 一键模式（最适合新手）：

   curl -fsSL https://get.ollama.com | sh ollama pull deepseek-coder:32b pipx install open-code-review open-code-review init --model deepseek-coder:32b

   这里pipx是关键——它把工具装进隔离环境，避免污染全局 Python。init命令会创建~/.config/open-code-review/config.yml，并自动探测 Ollama 是否运行、端口是否可用。实测在 M2 Mac 上，从下载到首次 review 完成只需 4.7 秒。

2. LiteLLM 代理模式（适合企业）：

   pipx install litellm litellm --host 0.0.0.0 --port 4000 & # 配置 ~/.litellm/model_prices_and_context_window.json open-code-review init --api-base http://localhost:4000 --api-key sk-xxx

   LiteLLM 的价值在于统一 API 层：你可以在 config 里写"model": "azure/gpt-4o"，实际调用却是 Azure OpenAI；写"model": "google/gemini-pro"，背后是 Vertex AI。这对需要合规审计的企业至关重要——所有流量经由内部网关，密钥不硬编码在 client。

3. 源码编译模式（适合定制）：

   git clone https://github.com/your-org/open-code-review.git cd open-code-review make install-deps # 安装 poetry + dev deps make build # 生成可执行二进制（PyInstaller） sudo cp dist/open-code-review /usr/local/bin/

   这种方式让你能修改src/prompt_templates/security.jinja2等模板，或替换src/llm/client.py中的 retry 逻辑。我们团队就重写了 backoff 策略：当 LLM 返回rate_limit_exceeded时，不是简单 sleep，而是动态降级模型（从 32B 切到 7B），保证 review 不中断。

提示：首次运行open-code-review --help会自动检查 git 版本（要求 ≥2.25）、Python 版本、以及是否在 git repo 根目录。任何一项不满足，都会给出精确修复命令，比如git version < 2.25? Run: brew install git。

3.2 Prompt 工程实战：如何让 LLM 看懂“这段代码到底在干什么”

Prompt 不是魔法咒语，而是结构化指令 + 约束 + 示例的精密组合。open-code-review的 prompt 模板（以 Python 审查为例）包含四个刚性区块：

System Message（占 15% token）：

You are a senior Python engineer reviewing production code. Your role is NOT to rewrite code, but to identify risks that humans might miss. Focus on: security flaws (CWE), concurrency bugs, resource leaks, and logic errors. NEVER suggest stylistic changes (PEP8) unless they impact correctness. Output ONLY valid JSON with keys: "issues", "confidence_score", "suggested_fix".

关键点在于“NOT to rewrite”和“NEVER suggest stylistic changes”——这直接过滤掉 60% 的无效建议。我们测试过，去掉这条约束后，LLM 会花 40% token 讨论 f-string vs .format()。

Context Injection（占 60% token）：

# Git Context Branch: {{ branch }} | Commit: {{ commit_hash }} | Author: {{ author }} # Diff Summary {{ diff_stat }} # File: {{ file_path }} --- OLD ({{ old_hash }}) +++ NEW ({{ new_hash }}) {{ diff_patch }} # Surrounding Code (non-diff) def {{ function_name }}({{ params }}): """{{ docstring }}""" {{ surrounding_lines | join('\n') }}

注意surrounding_lines是从git show HEAD:<file>中提取的，不是当前工作区文件——确保审查基于已提交的 baseline，避免误审未暂存的脏代码。

Few-shot Examples（占 20% token）：
我们内置 3 个高质量示例，全部来自真实 CVE：

• 示例 1：Flask route 中request.args.get('id')直接拼 SQL → 标注 CWE-89，confidence 0.98，suggested_fix 用text()+bindparam；
• 示例 2：asyncio.gather() 未加 timeout → 标注 CWE-400，confidence 0.92，suggested_fix 加return_exceptions=True；
• 示例 3：logging.info() 中含敏感字段 → 标注 CWE-532，confidence 0.85，suggested_fix 用redact_sensitive()包装。
  这些示例不是随便选的，而是按“高频漏洞类型 × 低误报率”筛选，且每个示例都带 confidence score，教会 LLM 自评确定性。

Output Constraint（占 5% token）：

OUTPUT FORMAT MUST BE: { "issues": [ { "line": 42, "severity": "high", "cwe": "CWE-798", "description": "Hardcoded credentials in config file", "suggested_fix": "Move to environment variable via os.getenv('DB_PASSWORD')" } ], "confidence_score": 0.94, "suggested_fix": "Use secrets module for credential loading" }

强制 JSON schema 是为了下游解析稳定。我们用 Pydantic V2 定义ReviewResultmodel，任何字段缺失或类型错误都会触发ValidationError并 fallback 到 human-readable error message（如 “LLM returned invalid JSON: missing 'issues' key”），而不是静默失败。

3.3 密钥与敏感信息防护：LLM 审查中如何守住最后一道防线

热词里高频出现“使用 LLM 时如何防止密钥等鉴权信息泄露”，这绝非杞人忧天。open-code-review的防护是立体的：

第一层：输入过滤（Pre-filtering）
在构建 prompt 前，对 diff patch 执行三重清洗：

• 正则扫描：r'(?i)(password|secret|api[_-]?key|token|credential).*[:=]\s*[\'"]\w{12,}'，匹配到则 redact 为***REDACTED***；
• 文件类型黑名单：.env,secrets.yaml,application-prod.properties等文件直接跳过审查（除非显式用--force）；
• 行级脱敏：对匹配到的敏感行，只保留前 3 字符 +***（如DB_URL=postgres://→DB_URL=postgres://***），既保留上下文又消除泄露风险。

第二层：LLM 指令约束（In-prompt guardrail）
System message 中明确写入：

IF you detect any credentials, tokens, or secrets in the input: - DO NOT repeat them in your output - DO NOT describe their format or location - INSTEAD, state: "Sensitive data detected in line X. Please remove before commit." - NEVER generate example credentials or fake values

我们测试过，加了这条指令后，LLM 主动泄露密钥的概率从 17% 降至 0.3%（测试集含 200 个含密钥的 diff）。

第三层：输出后处理（Post-processing）
即使 LLM 违规输出密钥，工具也会拦截：

• 对suggested_fix字段执行re.search(r'[a-zA-Z0-9+/]{20,}', fix)，匹配到 base64-like 字符串则报错；
• 对description字段检查是否含=:"等分隔符密集区域，触发人工复核；
• 最终输出时，所有***REDACTED***标记会被替换为⚠️ SENSITIVE DATA REDACTED，并附带--show-redacted参数供审计查看原始位置。

注意：这些防护不依赖 LLM 自身能力，而是靠确定性规则。我们曾故意用gpt-4o审查含 AWS key 的 diff，它在 description 里写了 “found AKIA...”，但工具在 post-process 阶段立即截断并告警——证明“人设指令”不如“机械过滤”可靠。

3.4 审查结果解读：如何把 LLM 的“建议”变成工程师的“行动项”

LLM 输出的 JSON 很漂亮，但工程师真正需要的是可操作、可追溯、可验证的动作。open-code-review的结果渲染做了三件事：

1. 行内高亮（Inline Highlighting）
不用打开新文件，直接在 terminal 里看到问题位置：

File: src/auth/jwt.py Line 87: token = jwt.encode(payload, 'secret_key', algorithm='HS256') ^^^^^^^^^^^^^^ ⚠️ HIGH: Hardcoded secret key (CWE-798) Confidence: 0.96 Fix: Use os.getenv('JWT_SECRET_KEY') with default fallback

^^^^^^^^^^^^^^是用 ANSI color codes 实现的，精准指向'secret_key'字符串。

2. 问题聚类（Issue Clustering）
对同一文件的多个 issue，自动聚类：

SUMMARY for src/auth/jwt.py: • Security (2 issues): CWE-798 (hardcoded key), CWE-327 (weak algo) • Correctness (1 issue): Missing error handling in decode() • Maintainability (0 issues)

聚类依据是 CWE ID 和 severity，避免“同一行报 3 个不同问题”的混乱。

3. 可执行修复（Actionable Fix）
每个suggested_fix都附带--apply参数：

open-code-review --apply --issue-id 001 # 自动生成 patch 并应用： # diff --git a/src/auth/jwt.py b/src/auth/jwt.py # --- a/src/auth/jwt.py # +++ b/src/auth/jwt.py # @@ -84,3 +84,3 @@ def create_token(payload): # - token = jwt.encode(payload, 'secret_key', algorithm='HS256') # + token = jwt.encode(payload, os.getenv('JWT_SECRET_KEY', 'dev-secret'), algorithm='HS256')

这个 patch 经过git apply --check验证，确保不会破坏现有逻辑。我们甚至支持--apply --dry-run预览 patch 内容，再决定是否执行。

4. 实操过程与核心环节实现

4.1 一次完整的审查流程：从 commit 到报告

假设你刚写完一个用户注册功能，执行以下命令：

# 1. 暂存变更 git add . # 2. 运行审查（默认审查暂存区） open-code-review # 3. 查看详细报告 open-code-review --verbose

Step 1：上下文采集（耗时 ≈ 0.8s）
工具先执行：

git status --porcelain git diff --cached --stat git diff --cached -U0 --no-color # 对每个修改文件： git show HEAD:src/user/register.py > /tmp/ocp_old.py # 提取 register_user 函数的周边代码 sed -n '/def register_user/,/^$/p' /tmp/ocp_old.py | head -n 20

所有临时文件在内存中处理，不落盘，避免敏感信息残留。

Step 2：Prompt 构建（耗时 ≈ 0.3s）
将采集的数据注入 Jinja2 模板，生成约 3200 token 的 prompt。关键细节：

• diff_stat被格式化为src/user/register.py | 12 + 5 -，比原始12 insertions(+), 5 deletions(-)更紧凑；
• surrounding_lines严格限制为 15 行（函数定义 + 前后各 7 行），防止上下文爆炸；
• docstring被清洗：移除>>>doctest 示例，保留Args:Returns:等结构化描述。

Step 3：LLM 调用（耗时 ≈ 4.2s，Ollama 32B）
发送请求到http://localhost:11434/api/chat，payload 包含：

{ "model": "deepseek-coder:32b", "messages": [{"role": "system", "content": "..."}, {"role": "user", "content": "..."}], "options": {"temperature": 0.1, "num_ctx": 16384}, "format": "json" }

num_ctx: 16384是关键——DeepSeek-Coder 32B 的最大上下文，确保能塞下完整 diff。

Step 4：结果解析与渲染（耗时 ≈ 0.5s）
收到响应后：

• 用json.loads()解析，捕获JSONDecodeError并 fallback；
• 对每个 issue 的line字段，用git show HEAD:src/user/register.py | sed -n '87p'验证行号准确性（防止 diff 行号偏移）；
• 渲染时，对severity: "high"用红色，"medium"用黄色，"low"用蓝色，终端一眼识别优先级。

最终输出：

🔍 open-code-review report (commit abc123) ────────────────────────────────────────── File: src/user/register.py • Line 87: Hardcoded secret key → HIGH (CWE-798) • Line 102: Missing rate limit check → MEDIUM (CWE-770) • Line 115: Unhandled database exception → HIGH (CWE-209) 💡 Suggested action: - Run `open-code-review --apply --issue-id 001` to fix hardcoded key - Add `@limiter.limit("100/day")` decorator on register_user() - Wrap DB call in try/except with logging ✅ Review completed in 5.8s (LLM: 4.2s, I/O: 1.6s)

4.2 高级场景实战：处理大型变更与跨文件逻辑

当 PR 涉及 15 个文件、300+ 行变更时，朴素的“逐文件审查”会失效。open-code-review提供两种高级模式：

Mode A：跨文件依赖分析（--cross-file）
启用后，工具会：

• 构建 AST-level 调用图：用ast-grep扫描所有修改文件，提取func_call节点；
• 关联 diff 中的函数名：如果user_service.py新增了send_welcome_email()，而register.py调用了它，则把两文件 diff 合并进同一 prompt；
• 生成 dependency-aware prompt：

  # Cross-file context File A (user_service.py): def send_welcome_email(user_id): """Sends welcome email via SMTP""" smtp.send(...) # ← this line is new File B (register.py): user_id = create_user(...) send_welcome_email(user_id) # ← this call is new

  测试表明，这种模式让“异步任务未加重试”类问题检出率提升 3.2 倍（从 28% 到 91%）。

Mode B：增量审查（--incremental）
针对长期迭代的 feature branch，避免重复审查已确认的代码：

• 首次运行open-code-review --save-state，生成.ocp-state.json记录每个文件的 last_reviewed_commit；
• 后续运行时，只对比last_reviewed_commit..HEAD的增量 diff；
• 对已审查过的 issue，若 line 未变则标记✓ previously reviewed，若 line 变动则重新评估。
  我们有个微服务 repo，feature branch 开发 12 天，--incremental让平均 review 时间从 18.4s 降至 3.1s。

4.3 与 CI/CD 深度集成：让审查成为门禁而非装饰

open-code-review不是玩具，而是生产级门禁。我们在 GitHub Actions 中这样配置：

# .github/workflows/code-review.yml name: LLM Code Review on: [pull_request] jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 with: fetch-depth: 0 # 必须获取完整历史 - name: Setup Ollama run: | curl -fsSL https://get.ollama.com | sh ollama pull qwen2.5-coder:32b - name: Run open-code-review run: | pipx install open-code-review open-code-review \ --model qwen2.5-coder:32b \ --fail-on high \ --output-format github-pr-comment env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

关键参数说明：

• --fail-on high：遇到 high severity issue 时，job exit code 1，PR checks 失败；
• --output-format github-pr-comment：生成 GitHub-flavored markdown comment，自动 @ assignee；
• fetch-depth: 0是必须的——否则git show HEAD~1会失败。

更进一步，我们用--webhook-url接入内部 Slack：

open-code-review \ --webhook-url https://hooks.slack.com/services/Txxx/Bxxx/xxx \ --webhook-template slack-alert.j2

slack-alert.j2模板里能访问issues|length、repo_name、pr_url等变量，生成带按钮的 rich message：“ View PR | Rerun Review ”。

5. 常见问题与排查技巧实录

5.1 LLM 返回空结果或格式错误？先查这三件事

LLM 审查失败，90% 不是模型问题，而是输入/环境问题。按优先级排查：

问题 1：Prompt 超长导致截断
现象：open-code-review输出{"issues": []}或confidence_score: 0.0。
诊断：加--debug-context，检查生成的 prompt 文件大小。Ollama 默认num_ctx=4096，但 DeepSeek-Coder 32B 实际支持 16384。
解决：

ollama run deepseek-coder:32b >>> /set num_ctx 16384

或在~/.ollama/config.json中设置"num_ctx": 16384。

问题 2：Git diff 编码错误
现象：中文注释显示为u'\u4f7f\u7528\u7528\u6237\u540d'，LLM 无法理解。
诊断：git config --get i18n.commitencoding返回utf-8，但git diff输出却是latin-1。
解决：强制 git 使用 UTF-8：

git config --global i18n.commitencoding utf-8 git config --global core.precomposeunicode true # macOS 必需

问题 3：LLM 拒绝输出 JSON
现象：返回{"issues": [...]}但末尾多出--- END OF REVIEW ---字符串，JSON 解析失败。
诊断：LLM 的format: "json"参数未生效（某些模型不支持）。
解决：启用--json-fallback，工具会自动用正则提取{...}部分：

import re match = re.search(r'\{.*?\}', response_text, re.DOTALL) if match: json.loads(match.group(0))

5.2 如何定制审查规则？修改.open-code-review.yml的实战指南

团队规则不是写在文档里，而是刻在配置中。.open-code-review.yml支持：

自定义 CWE 映射：

rules: - id: no-eval pattern: "eval\\(" cwe: "CWE-95" severity: "high" message: "eval() enables arbitrary code execution" - id: require-trace-id pattern: "logging\\.info\\([^)]*\\)" cwe: "CWE-209" severity: "medium" message: "Log statement missing trace_id context"

pattern是 Python regex，支持(?i)忽略大小写。

动态 severity 调整：

severity_rules: - when: "file_path.endswith('.py') and 'test_' in file_path" then: "low" # 测试文件降低风险等级 - when: "commit_message.contains('[SECURITY]')" then: "critical" # 安全相关提交提高等级

when是 Python 表达式，可访问file_path、commit_message、author等变量。

禁用特定检查：

disabled_checks: - "style-pep8" - "docstring-missing"

避免 LLM 浪费 token 在风格问题上。

实操心得：我们把.open-code-review.yml放进 repo 根目录，并用pre-commit钩子校验其 YAML 格式——规则变更必须通过 CI，杜绝“某人本地改了规则但没提交”的混乱。

5.3 性能优化：让审查速度从 12s 降到 2.3s 的 5 个技巧

LLM 审查慢？试试这些经过千次 PR 验证的技巧：

技巧 1：用--files限定审查范围

# 错误：审查所有暂存文件 open-code-review # 正确：只审查核心业务文件 open-code-review --files "src/**/user/*.py" "tests/**/user_test.py"

--files接受 glob 模式，用fnmatch匹配，比 shell expansion 更可靠。

技巧 2：启用 LLM 缓存

open-code-review --cache-dir ~/.ocp-cache

缓存 key 是sha256(prompt)，命中率超 70%（相同 diff + 相同模型配置）。

技巧 3：降级模型处理低风险文件

open-code-review \ --model-rules "src/**/*.py:deepseek-coder:32b" \ --model-rules "tests/**/*.py:qwen2.5-coder:7b"

测试文件用 7B 模型，速度提升 3.8 倍，准确率损失 < 2%。

技巧 4：预热 LLM

# 在 CI job 开头执行 ollama run deepseek-coder:32b "hello" >/dev/null 2>&1

避免首次调用时的模型加载延迟。

技巧 5：关闭非必要输出

open-code-review --quiet --no-color

省去 ANSI color codes 渲染和进度条，节省 0.4s。

实测组合效果：