AGENT

打造自己的 PR 审查智能体

我已经做过几版自动化的 PR 审查器，最让我一直印象深刻的是：AI 那部分出奇地小。

admin

• 15 min read
打造自己的 PR 审查智能体
博途PLC工程智能体 | AI智能体博途网关 | 博途PLC程序知识图谱 | 梯形图转SCL | 自然语言生成梯形图 | 自然语言生成SCL | 逆向生成程序块文档 | 梯形图在线查看 | 博途编程文档MCP | AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI

我已经做过几版自动化的 PR 审查器，最让我一直印象深刻的是：AI 那部分出奇地小。

对于一篇讲 AI 审查智能体的文章来说，这话听着可能有点怪，但在实践中，系统的大部分就是普通的软件工程。你接收一个事件、决定要不要做点什么、收集上下文、启动一次隔离的运行、通过编码 harness 调用模型、解析结果，再把发现回贴到源系统。

这篇文章讲的是架构。示例中 LLM 那一侧我会用 GitHub Copilot SDK，因为它和这类编码智能体工作流贴合得很干净。整体模式换成其他 harness 或者普通 CLI 也一样好用。

快速总结：

  • 主要是控制流，不是 AI。 PR 机器人就是普通的事件驱动软件，LLM 只是其中一个阶段。
  • 智能体负责审查，不负责跑业务流程。 审查周围的一切都应该是普通代码。
  • 事件驱动是自然的形态。 接收 PR 事件、收集上下文、运行一次有边界的审查、回贴结构化结果。
  • 编码 harness 非常契合，因为它们本来就知道怎么读文件、检查仓库、执行命令。
  • 结构化输出很重要。 模型的发现应该便于你的代码在回贴之前进行校验。
  • 同一套架构可以泛化。 任何有明确开始、处理、结束的 AI 自动化都能用这个形态。你同样可以基于 GitHub Actions，（2026.3.23 编辑）甚至全新的 Agentic Workflows 来做同样的事。

1、机器人本身很简单

从高层看，PR 审查器并不是什么复杂的产品。

你的源系统里发生了点什么：一个 pull request 被创建、更新、被评论，或被显式标记为需要审查。你的系统决定这个事件是否应该触发审查，收集仓库上下文，运行审查逻辑，然后把发现回贴回去。

这听起来几乎无聊，而这正是重点。这是我强烈认为的、关于好的 LLM 系统的关键之一：让它们尽可能确定。不要让智能体决定自己身处什么流程。让代码来决定。

智能体的工作是审查这个变更。它周围的一切都应该是普通软件。

2、触发审查

启动方式有几种显而易见的选择：

  • PR 创建时总是审查。 简单且覆盖面广。
  • 创建和更新时都审查。 覆盖迭代过程。
  • 只在显式命令时审查。 控制成本和噪音。
  • 由 UI 动作触发。 面向产品特定的入口。

这主要是产品决策，不是 AI 决策。你也可以混搭：一个轻量的默认审查，加上按需的更深的专项审查。

触发事件几乎可以是任何东西。我经常用 PR 事件，但同一套架构也适用于 issue 分诊、工单分类、bug 复现、文档生成，或者任何由系统事件开启一段有边界工作的场景。

3、ADO service hooks 作为集成点

在 Azure DevOps 里，service hooks 是天然合适的选择。它们本质上是一种事件订阅机制：发布方发出事件，订阅方进行过滤，然后一个 webhooks consumer 把 JSON 负载发送到你的 HTTPS 端点。

对 PR 自动化来说，有意思的 事件 有：

  • pull request 创建
  • pull request 更新
  • pull request 被评论
  • pull request 尝试合并

Azure DevOps 允许你控制 webhook 负载里带多少资源细节。我更喜欢较小的负载，事后再自己拉取完整的 PR 详情。这样 webhook 接收端更简单，也把上下文收集强制收敛到一条一致的路径上。

4、架构重于模型

我一直在用的形态相当简单：

  1. 源系统事件到达。
  2. 管理层判断是否应该启动工作。
  3. 管理器收集足够的上下文来创建一个审查任务。
  4. 管理器把运行状态存入数据库。
  5. 管理器启动一次隔离的 worker 运行。
  6. 执行 LLM 审查并返回结构化输出。
  7. 管理器解析结果，把评论或发现回贴到源系统。
  8. 管理器更新运行状态。

注意，LLM 只是整条流水线中很小的一部分，而且这套逻辑毫无火箭科学。

我自己的实现用 Azure Functions 做管理层，用 Azure Container Apps jobs 做隔离执行。函数接收 Azure DevOps webhook，并为每次审查启动一个 container app job。我喜欢这个形态，因为每次审查都是隔离的：有自己的执行、日志和失败边界。

另一个我觉得有意思的选项是基于 microVM 的沙箱。如果你之后想要更容易地恢复会话，或者想在沙箱里跑嵌套容器执行，它就开始变得重要。对简单的审查流程来说，容器 job 通常就够了。MicroVM 在业界确实正在起飞，各种能快速拉起隔离沙箱的服务遍地开花。自从读了 Ramp 这篇文章之后，我就一直打算基于它来构建。在我看来，主要好处是也能很轻松地在 microVM 内的容器里运行应用。

状态存储方面，几乎什么都行。我用过表格存储，完全够用。如果你真正需要的只是运行状态、关联 ID、状态和回贴结果的元数据，那并不需要什么特别高级的数据库。

5、AI 只是其中一个阶段

AI 阶段不需要拥有整个审查流程。它不需要决定任务何时启动、重试如何进行、状态存在哪里、评论如何回贴，或者 webhook 幂等性如何处理。这些都是普通的应用逻辑。

LLM 的工作要小得多：

  • 检查仓库和 PR 上下文
  • 审查这个变更
  • 返回结构化发现

我认为这些有边界自动化的最健康心智模型，是把 LLM 当作另一个 API 依赖。用例越小、边界越紧，护栏就应该越严。如果任务更宽、更具探索性，你可以放松一些。

6、为什么编码 harness 很契合

PR 审查正是编码 harness 非常自然契合的场景之一。模型需要的能力，恰好就是这些 harness 已经提供的：读取文件并检查 diff、搜索代码库，以及按需执行命令，比如 lint、类型检查或项目特定的校验。

这就是为什么这件事用编码 harness 来做效果最好，而不是在 LLM API 外面套一层薄薄的纯文本包装。

我用 Copilot SDK 和 OpenCode SDK 都实现过；说实话，只要你的流程足够简单，直接用 CLI 也可以。关键不在于具体哪个 SDK，而在于运行时本身理解面向代码的工具。

根据你的信任模型，你可能还想让审查智能体执行 bash 命令。这能明显提升审查质量，但显然也要求更强的隔离和权限处理。纯审查类的工作没有命令执行大概也行，但如果你想进到修复建议和验证那一步，它就变得更重要了。

7、掌控编排，而不是控制流

你的代码应该决定：

  • 何时启动一次审查，以及该事件是否有资格
  • 检查哪个仓库或提交范围
  • 使用哪套智能体配置
  • 如何处理重试、去重、超时和结果回贴

LLM 应该决定：

  • 这个变更是否看起来有风险、是否存在安全问题
  • 测试是否看起来缺失
  • 发现应该如何总结

这种划分让整个系统更容易推理，也更容易信任。

8、LLM 运行的内部

在审查运行内部，我并不太喜欢让一个巨大的智能体包办一切。 对我更有效的是：一个主审查者并行分发给各个专项智能体，然后综合它们的输出：

  • 一个主审查者智能体
  • 若干并行的专项子智能体（其实只是一个子智能体，拿到关于该使用哪些 skill 的指示——通常每个专项对应一个 skill）
  • 一个最终的综合步骤，产出结构化的审查输出

这跟我之前写的那些原语对应得很直接。命令包含做什么的指示，智能体包含怎么做的指示，skill 则打包某个专项可复用的领域指导。

在实践中，专项智能体可以是比如架构审查者、测试审查者、安全审查者、项目特定审查者，或者任何对你的代码库和团队最有意义的角色。重点是从不同视角切入这个问题。

严格来说，你还可以更进一步：去掉主审查者，把审查请求直接发给各专项智能体，事后只做综合。后面的例子里我就是这么做的，不过两种方式都好用。

具体数量取决于系统。一个很小的单文件变更不需要一支子智能体大军。如果审查范围窄，一个智能体通常就够了；如果审查范围更广、工作可以并行，多个专项智能体更合理。这种并行带来的延迟改善通常大于代价，当然成本会上升。

9、Copilot SDK 示例

Copilot SDK 很适合这件事，因为它通过编程接口暴露了 Copilot CLI 背后的同一套运行时。SDK 通过 JSON-RPC 与 CLI 通信，你创建的会话可以使用内置编码工具、自定义智能体、skills、MCP 服务器和 hooks。

有用的部分没有什么魔法：你定义一次会话，然后让它恰好执行一个有边界的审查任务。

下面是一个大幅简化（而且不太完整）的 TypeScript 示例：

import { CopilotClient } from "@github/copilot-sdk";

const client = new CopilotClient();
await client.start();

const outputShape = `
{
  "summary": "string",
  "findings": [
    {
      "severity": "critical|high|medium|low",
      "title": "string",
      "path": "string",
      "line": 123,
      "body": "string"
    }
  ]
}`;

const reviewTask = `
Review this pull request in the current repository checkout.

Focus only on concrete issues in the changed code.
Use repository tools as needed.
Return JSON only in this shape:

${outputShape}
`;

const customAgents = [
  {
    name: "architecture-reviewer",
    description: "Reviews architecture and maintainability risks",
    tools: ["grep", "glob", "view", "bash"],
    prompt: `
Review the pull request from an architecture perspective.

Focus on boundaries, coupling, maintainability, layering, and long-term code health.

${reviewTask}
`,
    infer: false,
  },
  {
    name: "security-reviewer",
    description: "Reviews security issues and dangerous patterns",
    tools: ["grep", "glob", "view", "bash"],
    prompt: `
Review the pull request from a security perspective.

Focus on authentication, authorization, secrets handling, injection, trust boundaries, and unsafe execution patterns.

${reviewTask}
`,
    infer: false,
  },
];

async function runReviewer(agent: string) {
  const session = await client.createSession({
    model: "gpt-4.1",
    agent,
    customAgents,
    onPermissionRequest: async () => ({ kind: "approved" }),
  });

  try {
    const response = await session.sendAndWait({ prompt: reviewTask });
    return JSON.parse(response?.data.content ?? '{"summary":"","findings":[]}');
  } finally {
    await session.disconnect();
  }
}

const specialistReviews = await Promise.all([
  runReviewer("architecture-reviewer"),
  runReviewer("security-reviewer"),
]);

const synthesis = await client.createSession({
  model: "gpt-4.1",
  onPermissionRequest: async () => ({ kind: "approved" }),
});

try {
  const response = await synthesis.sendAndWait({
    prompt: `
You are the parent PR reviewer.

Merge overlapping findings from these specialist reviews and return one final review.

${JSON.stringify(specialistReviews, null, 2)}

Return JSON only in this shape:

${outputShape}
`,
  });

  console.log(
    JSON.stringify(
      JSON.parse(response?.data.content ?? '{"summary":"","findings":[]}'),
      null,
      2,
    ),
  );
} finally {
  await synthesis.disconnect();
  await client.stop();
}

10、Skills、智能体与结构化输出

我不会把这一切构建在单个巨大的 system prompt 之上。我喜欢的切分方式是：

  • 命令或任务指示： 当前这次运行应该做什么
  • 智能体提示词： 每个专项负责什么
  • Skills： 该专项该如何运作的可复用指导

Copilot SDK 的自定义智能体支持和 skill 加载很契合这个模式。当然，只要能把内容清晰地送达智能体，你用任何方式实现都行。我喜欢 skill，因为开发者在本地也能复用它们——尤其是项目特定的 skill，很容易在审查智能体和人类开发者之间共享。

对任何自动化来说，最终输出都应该是结构化的、易于机器读取，以便进一步处理。

11、审查会越来越啰嗦

我确实注意到的一点是：审查智能体很快就会变得啰嗦。 当前模型能产出有用的输出，但它们也很乐意产出一大堆。没有格式和严重性约束的话，你很容易得到一堆技术上没错、但可能是吹毛求疵或根本不值得卡住 PR 的评论。

如果你设置了分支策略、要求所有评论都必须处理完才能完成 PR 合并，这很快就会变成开发者的负担。

这就是我越来越倾向于加显式严重性等级的原因。这样你还可以过滤掉低严重性的发现，甚至自动把它们作为评论贴到 PR 上而不标记为审查问题，或者合并成一条评论。更好的是，也许你还可以根据严重性排序和修复复杂度，自动启动任务去修那些较小的问题。

有趣的问题是：哪些类别的发现可以安全地自动修复？ 这时它就从"审查机器人"变成了更通用的自动化系统。要让它好好工作，智能体多半需要编辑代码、运行测试和校验，并确认修复真的生效了。完全做得到，但这意味着架构中隔离、权限和验证这一侧变得更加重要。

12、同一架构也能驱动 fix 命令

我还有一个 fix 命令，结构基本相同。触发方式和提示词不同，但架构几乎一模一样。系统接收一个事件或命令（比如一条写着 "/fix HOW TO FIX THIS" 的评论），收集仓库、PR 和评论线程上下文，启动一次隔离运行，让编码智能体执行一个有边界的任务，然后返回带后续动作的结构化结果，比如创建 PR 或提交修复。

一旦你把管理器、状态、隔离执行和源系统回调流程跑通，就能把它复用到一大堆相邻的自动化上。

13、同一 harness 上的本地与远程

我觉得真正有价值的一点是：把这些自动化构建在你本地也在用的同一套 harness 之上，比如 OpenCode。如果同一组智能体、skills、指令和工具配置在本地开发中也能用，你会得到一些很好的性质：代码还没进 PR 就有更快的反馈、自动化本身更容易调试、开发期间可以把审查专项作为子智能体复用，本地与服务端 AI 工作流之间的漂移也更小。 这也会带来取舍。适合本地交互使用的结构，未必就是远程 webhook 驱动的自动化想要的。如果两者都要，你就得思考如何组织提示词、skills、状态和配置，让它们同时适配两种场景。

14、这一模式可以泛化

这个模式不是 PR 审查特有的。只要自动化有明确的触发事件、一段有边界的推理工作、以及要返回的结构化结果，它在任何地方都好用。

这就是为什么我越来越把这些自动化看作普通的事件驱动系统，只不过流水线的其中一个阶段里放了个 LLM。任务范围收得越紧，模型周围的一切就应该越确定。

15、结束语

如果要把整件事压缩成一句话：把它建成一个普通的事件驱动系统，让代码拥有工作流。让模型拥有审查判断，而不是流程。用编码 harness，让智能体能真正检查真实的仓库。返回结构化发现，而不只是散文。并尽可能让任务有边界、可确定。

最重要的设计选择，往往不是你用哪个模型，而是你拒绝交出多少控制流。

原文链接: Building your own PR reviewer with coding agents

汇智网翻译整理，转载请标明出处