让AI代码审查变得可衡量

代码审查一直是软件工程师的瓶颈之一。在loveholidays，团队在日常工作流程中大量使用AI，但无论PR是否借助AI编写，仍需要人工审查。受Intercom一篇关于使用AI批准代码审查的帖子启发，一位工程师决定尝试构建自己的AI审查系统。

该项目并非对现有工具的简单替代，而是基于OpenAI Codex的本地化解决方案。工程师希望避免额外订阅费用，并确保审查过程能充分利用现有工作环境中的上下文信息。与仅依赖git diff的传统AI审查不同，该系统会关联相关文件、检查周围代码逻辑，并分析变更可能对现有行为产生的影响。

技术实现上，系统首先通过git worktree将PR克隆到新工作目录以支持并行评估，然后使用codex exec运行自定义提示、规则和输出格式的审查流程。最终返回结构化JSON结果，包含裁决（如“rejected”）以及每行代码的评论和改进建议。

工程师强调，这仅是一次实验性尝试，并不构成对特定工具的推荐。实验消耗了数十亿token，成本高昂但提供了宝贵经验。该方法适合熟悉风险管理并在本地或沙箱环境中运行的团队。在整个过程中，工程师利用了OpenAI提供的三个月试用期，并强调了上下文感知的重要性：当审查PR时，他很少孤立地看diff，而是会打开相关文件，检查周围代码如何工作，寻找相似模式，并思考变更可能如何破坏现有行为。他希望AI审查者也能做到同样的事情。此外，这种方法能融入现有工作流，代理可以使用日常使用的相同技能、MCP服务器、命令和项目上下文，使审查更像是现有工作的扩展而非通用外部工具。