一个部署在你自己机器上的代码审查服务。在 GitHub / GitLab / Gitee 挂一个 webhook，之后每一个打开或更新的 PR / MR 都会被自动审查，意见以行级 inline 评论写回改动所在的那一行，同时推送到钉钉 / 飞书 / 企微。webhook 万一漏了事件，或者项目刚接入时已经有一批 PR 开着，后台可以主动补拉一轮把它们捞回来。配置、模型、项目、权限、统计都在自带的 Vue 管理后台里。
- 三平台 webhook 接入 — GitHub / GitLab / Gitee，PR / MR 打开或更新即自动审查；一套服务管多个项目，逐项目独立开关
- 行级 inline 评论 — 意见回写到改动所在的那一行；模型只负责粘贴代码片段，行号由引擎按内容匹配钉出，幻觉行号进不了评论位置
- IM 推送 — 钉钉 / 飞书 / 企业微信机器人，审查完成即推，带 findings 明细与评分
- 主动补拉 — webhook 漏事件、服务停机、接入前的存量 PR，手动一键或定时轮询补回；同 head 已审自动跳过
- 三层审查管线 — LLM diff 审查 + 按需触发的 agentic 全仓推理 + 可选的 semgrep 静态分析，融合去重成一份意见
- 两种审查模式 —
diff与agentic逐项目可选；agent 出任何岔子整条退回 diff，永远有一份可交付结论 - 跨轮缓存 — 相邻轮次未变文件按内容哈希复用上一轮结论，高频 PR 省钱
- 模型无关 — 经 LiteLLM 接任意厂商或自建中转，凭据 Fernet 加密落库，后台改完即时生效
- 自托管管理后台 — 仪表盘、审查记录、项目管理、成员分析、提交分析、IM 通知与凭据配置，一个 Vue 3 后台全包
- 私有化部署 — Docker 单容器 + SQLite 开箱即用，需要时切 PostgreSQL；代码不出内网
做审查的方式上，它站在"确定性的工程 × 会翻仓库的 agent"这一档：凡是能被工程确定性解决的问题，绝不让模型赌。行号由引擎按代码片段纯字符串匹配钉出，模型报的行号伤不到评论位置；文件分组按硬上限切开、LLM 只做闭卷的分组判断；agent 探一圈仓库，出任何岔子整条退回 diff，绝不把 agent 的失败记成任务失败。
这套基准不是凭空造的——哪些环节可以放手让模型发挥、哪些必须交给确定性的工程兜底，全靠对照这类项目找出来的。它的血统：diff / agent 双档与"模型不填行号、只粘片段"的锚定，直接移植自 open-code-review（阿里巴巴）的 grouping / plan 门控 / 预算闸门 / resolver；跨组去重用的内容指纹取自 pr-agent 的 body_fp OR code_fp；而"webhook 进来 → 异步队列 → 行级评论回写 + IM 推送 + 自托管后台"这个平台形态，最接近 AI-Codereview-Gitlab。
Webhook 事件经 HMAC 验签后写入异步队列，立即返回 202，请求不等待审查。主动补拉走同一条队列——调平台 API 列出打开的 PR / MR，给未审过的落一条 queued 记录入队，同样立即返回。worker 池取出任务，把 diff 交给 LLM 审查层，按开关叠加 semgrep 与 agentic 全仓分析，三路结论融合去重。
最终意见经 Forge API 回写为行级评论，同时落库供后台看板与日报使用。整条链路上没有外部服务参与调度。
两条路径共用同一个队列、同一套回写与统计，区别只在模型能看到多少东西。每个项目在后台单独选，默认 diff；agentic 另需全局打开 CR_AGENT_REVIEW_ENABLED。
镜像发布在 GitHub Container Registry，准备一个空目录，两步起服务（命令在 bash 与 PowerShell 中均可直接执行）：
mkdir codereview-ai && cd codereview-ai
# 1) 生成四枚密钥：直接借用官方镜像里的 Python，宿主机什么都不用装
docker run --rm ghcr.io/zhansan379/codereview-ai:latest python -c "
import os, base64, secrets
print('CR_SECRET_KEY=' + secrets.token_urlsafe(48))
print('CR_WEBHOOK_SECRET=' + secrets.token_urlsafe(48))
print('CR_ENCRYPTION_KEY=' + base64.urlsafe_b64encode(os.urandom(32)).decode())
print('CR_ADMIN_PASSWORD=' + secrets.token_urlsafe(24))
"把终端输出的四行存成当前目录的 .env 文件（密码行可当场换成你自己的登录密码；任意文本编辑器均可，注意别存成 .env.txt）：
CR_SECRET_KEY=<粘贴第 1 行>
CR_WEBHOOK_SECRET=<粘贴第 2 行>
CR_ENCRYPTION_KEY=<粘贴第 3 行>
CR_ADMIN_PASSWORD=<粘贴第 4 行，或换成你自己的密码># 2) 起容器（单行命令，任何 shell 通用）
docker run -d --name codereview-ai -p 5001:5001 --env-file .env -v codereview-ai-data:/app/data ghcr.io/zhansan379/codereview-ai:latest浏览器打开 http://localhost:5001/admin，用 CR_ADMIN_PASSWORD 登录。
默认使用 SQLite，数据持久化在 codereview-ai-data 卷里；需要 PostgreSQL（standard 档）见教程。
注意：重新生成
CR_ENCRYPTION_KEY后，数据库里已保存的平台凭据（token 等）会解不开，需要在后台重新配置一遍。
git clone https://github.com/zhansan379/codereview-ai.git
cd codereview-ai
# 备份模板：完整环境变量清单 + 双语注解，常用的直接放开，不用的保持注释
cp .env.example .env
# 或手动写：四个密钥没有默认值，缺失即 fail-fast 退出
cat > .env <<'EOF'
CR_SECRET_KEY=<用下面的命令生成>
CR_WEBHOOK_SECRET=<用下面的命令生成>
CR_ENCRYPTION_KEY=<用下面的命令生成>
CR_ADMIN_PASSWORD=<用下面的命令生成>
EOF
# 前端构建一次（dist 被 gitignore，镜像 COPY 用，缺了 build 必失败）
cd frontend && npm install && npm run build && cd ..
docker compose up -d
open http://localhost:5001/admin生成密钥：
python -c 'import secrets;print(secrets.token_urlsafe(48))' # SECRET_KEY / WEBHOOK_SECRET
python -c 'from cryptography.fernet import Fernet;print(Fernet.generate_key().decode())' # ENCRYPTION_KEY
python -c 'import secrets;print(secrets.token_urlsafe(24))' # ADMIN_PASSWORD
CR_ENCRYPTION_KEY必须是合法的 32 字节 urlsafe-base64 Fernet 密钥，不能用secrets.token_urlsafe顶替。
不装 Docker 也不装 Python：从 GitHub Release 下载 codereview-ai-windows-x64.zip，解压到任意目录，双击 codereview-ai.exe 即用。
- 首次启动自动生成四枚密钥写入数据目录的
.env，并在控制台打印后台登录密码；浏览器自动打开http://127.0.0.1:5001/admin/ - 控制台窗口保持开着（关窗 = 停止服务）；数据存在 exe 旁（便携模式）或
%LOCALAPPDATA%\codereview-ai，控制台会打印实际位置 - 功能与 Docker 版一致，ruff 静态检查随包附带；需要 semgrep 时机器上
pip install semgrep即可 - 接收跨机 webhook 回调要加
--host 0.0.0.0；常用参数、升级与卸载见桌面版教程
后台登录后配置模型与平台，然后在 GitHub / GitLab / Gitee 添加 webhook 指向 POST http://<你的主机>:5001/webhook，打开一个 PR 即可看到审查评论。
详细教程：
IM 通道配置参考：
不用 Docker 的话：
uv sync
uv run uvicorn codereview_ai.main:app --host 0.0.0.0 --port 5001管理后台在 /admin，交互式 API 文档在 /docs（CR_OPENAPI_ENABLED=0 可关闭），健康检查在 /health。
前端构建（/admin 托管 frontend/dist，Docker 镜像也会 COPY 它；改前端代码后重新执行）：
cd frontend && npm install && npm run build # 产物输出到 frontend/distDocker 部署：改完代码重建本地镜像并重启 docker compose build && docker compose up -d；只想用官方镜像的话 docker compose pull && docker compose up -d。
开发与质量门槛：
uv run ruff check src tests
uv run mypy src
uv run pytest tests --cov=codereview_ai --cov-fail-under=70覆盖率总门槛 70%，核心模块（forges / review / worker / queue / storage）83%；CI 另跑 pip-audit。
完整配置项（CR_ 前缀）与 API 清单见 /docs 与 GET /openapi.json。
接下来计划推进的部分，按优先级排序。
优先做
- AI 助手反馈闭环（MCP） — 让提交者的 AI 编程助手（Claude Code / Cursor / Codex CLI）在 push 后自动取审查结果并修复，形成「push → 等审查 → 取 findings → 修 critical/high → 再 push」的闭环。分四步走：项目级 API token 鉴权（现有 API 全是 admin UI 的 JWT 会话，外部工具用不了）→
wait_for_review/get_findings查询接口（审查是异步的，wait 语义是关键）→ 挂成 streamable HTTP MCP Server → 设置页一键生成 AGENTS.md 片段让助手知道主动用；另附 CLI 薄壳（cra check --pr <url>）给不支持 MCP 的场景与 git hook / CI 用。ReviewFinding已是结构化数据（file / line / severity / suggestion / fingerprint），缺的只是对外的 token 化通道。 - 项目级规则引擎 — 按
path/ glob 注入追加规则、首个匹配者胜，让审查策略能逐目录逐文件配置。数据层已就位（ProjectRule表带path_glob/priority/system_merge），但全树尚无引用：缺仓储层、管理接口，以及审查时的规则匹配与 prompt 注入。 - 平台原生 suggestion 建议块 — 把已经拿到的
suggestion_code渲染成 GitHub 的suggestion代码围栏（多行用start_line），让建议能在 diff 上一键 Apply，而不是只能读。 - 四种审查风格 — 专业 / 毒舌 / 绅士 / 幽默，只影响措辞不影响评分。配置入口与字段都在，缺各风格的 prompt 预设。
- standard 队列档 — Redis + arq 支撑多实例部署。存储层已打通 PostgreSQL（见教程）；队列仍是单机 asyncio 后端、接口已抽象好，未打通。（单机 simple 档当前完全够用。）
之后
- 更多平台 — Gitea 适配器（Gitee 已支持：webhook + 定时补拉，见Gitee 教程）；webhook IP 白名单作为验签之外的第二道防线
- 更深的上下文 — 仓库知识库（检索团队规范与历史结论注入 prompt）、无 diff 的整文件审计、开发者
@bot追问 - 更多出口 — 通用 webhook 与邮件通知、周报 / 月报、HTML 报告导出（现为 xlsx）
- 全自动修复闭环 — 审查完成后系统直接拉起 headless agent（
claude -p/codex exec）喂入 findings，修完只开 PR 不直推并自动触发重审；项目级开关默认关、仅自动修 critical/high。依赖 MCP 闭环先落地、观察效果后再做。 - 后台体验 — 独立任务看板、深色模式、中英 i18n
@zhansan379 — 这个项目从"想给自己的 MR 加个自动审查"开始，长成了一套能自己部署、自己配模型、自己看统计的完整平台。欢迎 issue 与 PR。