代码评审是研发流程中质量把关的关键环节，但人工评审成本高、覆盖不全，单一 LLM 全科评审又存在幻觉、维度遗漏、上下文超限、成本高、延迟长等问题，静态工具与 AI 也缺乏协同。本项目面向研发团队的 CI/CD 代码评审流水线，典型场景包括 PR/MR 自动评审作为合并前质量门禁、中小团队无专职评审人力时的质量兜底、多语言工程适配，以及成本敏感场景下的低成本自动化评审，核心价值是用"多智能体分工 + 静态工具协同 + 多级容错"替代单模型全科评审，在准确性、覆盖度、成本、可靠性四个维度取得更优平衡。
系统内置规范、安全、逻辑、可读性 4 个专职 Agent 半并行执行，其中规范 Agent 通过 MCP 接入 Ruff 实现零 LLM 调用、1-2 秒完成；两级 Planner 决策机制中约 80% 场景由语言映射与关键词匹配的硬规则毫秒级决定 Agent 组合，约 20% 边界场景调用 LLM 动态调整；三级降级容错保障单 Agent 超时异常自动重试、部分失败跳过异常 Agent 合并成功结果、大面积失败切换单 LLM 全科兜底，确保评审不中断；所有 Agent 及兜底路径统一输出含严重等级/类型/行号的 Finding 数据结构，由 Aggregator 完成合并去重与冲突排序；同时基于 Redis 缓存实现条件路由跳过重复评审，并通过 FastAPI 提供服务接口、Streamlit 提供交互界面。
项目基于 LangGraph StateGraph 构建 8 节点有向图编排引擎，共享 State 中 Finding 列表字段使用 Annotated + operator.add reducer 保证 4 Agent 并行写回正确累加，通过 add_conditional_edges 实现缓存跳过路由、通过提前终止边实现 Critical 问题短路、通过 fan-out/fan-in 实现 4 Agent 半并行；Planner 规则层维护语言映射表与关键词库毫秒级输出组合，LLM 层用 JSON Schema 约束的 structured output 并设默认组合 fail-safe；降级逻辑在 Agent 调用层封装重试、在 fan-in 阶段做异常跳过合并、在编排层检测全局失败触发兜底节点；MCP 协议接入 Ruff 完成确定性规范检查；统一 Finding Schema 支撑 Aggregator 去重排序；Redis 以代码指纹为 key 缓存结果降低重复评审成本。
评论