《智能代码审查系统》开篇：我要带你从零开始手撸一个支持多种AI大模型、多种语言、支持Github、Gitee和Gitlab，可对接钉钉、微信飞书等的智能代码审查系统

作者：冰河
星球：http://m6z.cn/6aeFbs
博客：https://binghe.site
文章汇总：https://binghe.site/md/all/all.html
源码获取地址：https://t.zsxq.com/0dhvFs5oR

沉淀，成长，突破，帮助他人，成就自我。

大家好，我是冰河~~

在完成《智能知识库系统》项目后，冰河又要带着大家搞新项目了，这也是 冰河技术 知识星球继《智能知识库系统》、《AI优化-智能化机器学习平台》、《基于AI的智能成语挑战赛》、《多轮AI智能对话系统》、《一站式AI智能平台》、《AI智能客服系统》、《AI智能问答系统》、《高性能Redis组件》、《实战AI大模型》、《手写高性能脱敏组件》、《手写线程池》、《手写高性能SQL引擎》、《手写高性能Polaris网关》、《手写高性能RPC》、《Seckill秒杀系统》和《分布式IM即时通讯系统》、《手写高性能熔断组件》、《手写高性能监控组件》、《简易商城脚手架》等诸多项目后，又一个带着大家从零开始手写的AI大模型项目。

星球其他项目与专栏，大家可移步到冰河的个人站点：https://binghe.site 进行查看。

没错，这次冰河带着大家手撸的项目叫做《智能代码审查系统》，这是一个基于AI大模型的智能代码审查系统，内置支持多种AI大模型，例如：deepseek、千问、智谱、openai等等，也可以快速扩展定义其他AI大模型。

内置多种不同语言的优秀提示词，可支持对Java、Python、PHP、Yaml、Vue、Go、C、C++、JS、CSS、MD、SQL、TS、TSX、JSX等不同类型的语言和文件进行Review，对Review结果进行评分，深度剖析存在的问题和修复方案，并对整体代码优化给出建设性建议，并对整体结果进行持久化存储，可供长期分析代码质量。

代码仓库支持GitHub、Gitee和GitLab等，可直接对接钉钉、微信、飞书等推送消息，也可快速扩展自定义对接其他平台，整体项目可直接应用于实际CR场景中。

一、项目背景

在这个代码质量下降、Bug满天飞的时代，谁还没犯过几次低级错误呢？特别是当你提交了一大坨代码，Review 完才发现有两个变量名起得一模一样，结果导致了一个凌晨三点把你从睡梦中叫醒的线上事故...

为了拯救这些在代码里迷失的灵魂，也为了给自己写代码找一个靠谱的"审稿人"，开始设计和开发这个智能代码审查系统。这是一个基于 AI 的代码审查工具，不仅能帮你找出代码里的奇葩，还能帮你评估代码质量，最后还能给你整一个精美的审查报告。

这个项目就像是代码界的"纠错老师"，每天兢兢业业地守在你的代码仓库里，用 AI 的智慧帮你把那些隐藏在代码深处的 Bug、代码坏味道和质量问题统统揪出来。

这个项目不是一个简单的Code Review项目，而是一个是一个基于AI大模型的智能代码审查系统，内置支持多种AI大模型，例如：deepseek、千问、智谱、openai等等，也可以快速扩展定义其他AI大模型。

二、项目效果

三、项目亮点

3.1 技术亮点

分层架构清晰

接口层、多个AI大模型对接、代码平台（Github、Gitee、Gitlab）对接、推送平台（钉钉、微信、飞书）对接职责分离
职责明确，易于维护和扩展
符合单一职责原则和依赖倒置原则

设计模式应用

策略模式：不同 Git 平台和消息渠道的策略实现
工厂模式：动态创建 LLM 客户端
模板方法模式：代码审查提示词模板
模板方法：异步处理 Webhook 事件

多语言支持

自动检测代码语言
针对不同语言定制提示词
支持常见的编程语言

多平台支持

GitHub、GitLab、Gitea 三大平台
统一的接口设计，易于扩展新平台

多模型支持

OpenAI、DeepSeek、阿里云通义千问、智谱GLM等
通过配置切换，灵活适配

多种通知渠道

钉钉、企业微信、飞书、自定义 Webhook
灵活的配置方式

数据统计功能

代码质量评分
作者贡献统计
项目提交统计

异步处理

Webhook 事件异步处理
不阻塞 HTTP 响应
提高系统并发能力

3.2 业务亮点

自动代码审查

PR/MR 创建时自动触发审查
Push 时可选触发审查
自动发布审查结果到代码平台

客观评分

AI 自动计算代码质量分数
直观展示代码质量水平

实时通知

审查结果自动通知团队成员
错误信息及时通知运维人员

历史记录

审查日志持久化存储
支持按时间、作者、项目筛选
提供丰富的统计数据

四、学习目标

通过本项目的学习，你可以掌握：

4.1 核心技术栈

Spring Boot 3.2.5 + Java 17：主流的企业级开发框架和现代 Java 特性
Spring Data JPA：快速构建数据访问层的利器
SQLite/MySQL：轻量级和工业级数据库的双重支持
OkHttp：高效的 HTTP 客户端，支持异步调用和连接池

4.2 架构设计能力

分层架构：Controller → Service → Repository，清晰的职责划分
策略模式：针对不同代码平台的 Webhook 处理策略
工厂模式：支持多种大模型的动态切换
模板方法模式：支持不同语言的代码审查提示词模板

4.3 API 设计经验

RESTful API 设计原则
Webhook 接口实现和鉴权机制
异步处理 webhook 事件
错误处理和日志记录

五、适用人群

再次强调下，毫无疑问，AI已经成为一种事实上的趋势，小到我们从事的互联网行业，大到各行各业以及生活的方方面面，都会涉及到AI，例如，AI教学、AI搜索、AI问诊、AI编程、AI数据分析等等。从广义上说，我们每个人多多少少都要学会一些AI相关的知识。

另外，大到头部互联网公司，小到中小型企业或者创业团队，都在向AI方向不断发力。比如，冰河目前就在公司主导AI大模型基础建设、推进底层大模型训练和优化等，也在日常工作中，推进并落地了公司多个AI大模型相关的项目和产品。可以这么说，掌握AI相关的知识已经成为我们日常工作和生活中必不可少的一部分。

从《智能代码审查系统》本身来说，会带着大家从零开始一起设计和落地开发。所以，主要面向的还是偏向于从实战开始、从零开始提升自身AI知识和技能的人群。

无论小伙伴们现在是在校大学生、还是在中小型企业或者创业团队，亦或是在大厂，如果平时受如下问题困扰，可以跟冰河一起学习下《智能代码审查系统》突破自己的技术瓶颈，积累更多处理AI大模型相关问题的经验。

在校大学生或者刚刚毕业，想快速提升自己，快速积累AI大模型项目相关的实战经验，但不知从何学起。
校招、社招没什么拿的出手的项目，简历上写的项目没啥含金量，投出的简历石沉大海。
一直在小公司做CRUD，数据量也不多，公司规范不健全，也根本接触不到AI大模型项目。
公司项目没什么并发，在线人数也不多，系统并发量不高，只是简单的CRUD就能满足需求。
学了一些AI基础相关的知识，也知道一些概念，能大致说出一些AI相关的基础知识，但是没实际项目经验。
自我感觉掌握了一些AI大模型相关的项目开发，但是在真正做项目时，还是不知道如何下手，面试时也是一脸懵逼。
想做一些AI大模型相关的中间件和业务项目，根本不知道怎么做，更别提架构设计和研发了。
简历上写了了解或熟悉AI大模型相关项目遇到问题的处理方案，在面试过程中，面试官一般会基于简历循序渐进深入发问，不知道怎么回答。
在大厂工作多年，参与了一些系统的建设与研发，但是也没机会参与AI大模型项目相关方案的整个建设过程，很难积累实际生产环境AI大模型项目问题的处理经验和相关知识。
想自己设计和开发一套提升学习和工作效率的AI智能平台
其他问题。。。

从冰河自身角度来说，是为了解决公司实际场景问题，主导AI大模型基础建设并推进落地AI大模型相关项目和产品。从各位小伙伴们的反馈来看，小公司的小伙伴受限于业务，接触不到AI大模型的业务场景，也很少涉及AI大模型相关的项目。

大厂的小伙伴由于某些原因接触不到AI大模型项目或产品的整个建设过程，很难积累AI大模型项目问题的处理方案和相关知识。没有系统性落地成实际项目的经验，很难成体系的积累AI大模型项目相关的知识和经验。

所以，如果你正在被如上问题所困扰，不妨再跟冰河一起学习下《智能代码审查系统》，向前迈出一小步，或许困扰你的问题就被迎刃而解。

六、技术选型

6.1 为何选 Spring Boot 3.2.5 + Java 17？

首先，Spring Boot 简化配置，开箱即用，就像快餐界的麦当劳，能让你快速填饱肚子（完成功能）。Java 17 呢，虽然是 LTS（长期支持）版本，但已经是现代 Java 的标准了，新的语言特性（比如 Records、Text Blocks、Pattern Matching）能让你写出更优雅的代码。

6.2 为何选 JPA 而不是 MyBatis？

JPA 像是在用 ORM 的"上帝模式"，你只需要定义实体类，剩下的映射、SQL 生成全自动搞定。MyBatis 像是"手动挡"，需要手写 SQL，适合对 SQL 有特殊要求的场景。对于这个项目，JPA 的自动映射和懒加载机制更符合我们"少写代码多睡觉"的原则。

6.3 为何选 SQLite 而不是 MySQL？

SQLite 轻量级、零配置，就像租房界的"合租室友"，刚开始一个人住（开发环境），部署的时候直接打包走人（生产环境）。MySQL 适合高并发场景，但成本高、配置复杂，就像租了一个豪华公寓。本项目默认用 SQLite，你也可以一键切换到 MySQL。

6.4 为何选 OkHttp 而不是 RestTemplate？

OkHttp 更现代、性能更好、连接池更智能，就像汽车界的"特斯拉"，自动化程度高，还能自动处理一些奇葩网络情况。RestTemplate 像是传统的燃油车，还能开，但不如电动的省心。

6.5 为何支持多种大模型？

俗话说"一千个读者眼中有一千个哈姆雷特"，同样代码的 AI 审查，不同大模型可能有不同见解。DeepSeek 性价比高，OpenAI 质量稳，阿里云通义千问国产化，满足不同场景需求。就像餐厅提供"川菜、粤菜、湘菜"三种选择，总有一款适合你的口味。

6.6 为何支持多个 Git 平台？

GitHub 众所周知，GitLab 企业常用，Gitea 自建首选。就像网吧提供"腾讯、百度、谷歌"三种上网方式，总有一个能连上网。

七、项目架构

AI Review 采用经典的分层架构，就像盖房子一样，从地基到屋顶，每一层都有明确的职责。

7.1 架构分层说明

前端层

FrontendController：提供简单的 HTML 页面，展示审查日志和统计数据
ReviewApiController：提供 REST API，前端或第三方应用可以调用这些接口获取审查记录和统计信息

控制器层

WebhookController：接收来自 GitHub、GitLab、Gitea 的 Webhook 请求，是整个系统的入口
ReviewApiController：提供审查日志查询 API

服务层

CodeReviewService：核心代码审查逻辑，包括语言检测、提示词加载、AI 调用
ReviewService：管理审查日志的增删改查
ReportService：生成各种统计报告

数据访问层

Repository：使用 Spring Data JPA，自动实现 CRUD 操作和复杂查询

消息通知层

NotificationService：统一的消息通知接口
DingTalkNotifier、WeComNotifier、FeishuNotifier、ExtraWebhookNotifier：具体的实现

LLM 客户端层

LLMClient：统一的大模型调用接口
LLMFactory：根据配置动态创建客户端
OpenAIClient、DeepSeekClient、QwenClient：具体的实现

7.2 架构设计模式

模板方法模式（Template Method Pattern）

代码审查使用模板方法，不同语言有不同的提示词模板：

八、项目执行流程

九、项目结构

项目结构总览：

ai-review/
├── src/
│   ├── main/
│   │   ├── java/io/binghe/ai/review/
│   │   │   ├── controller/          # 控制器层
│   │   │   │   ├── FrontendController.java    # 前端页面控制器
│   │   │   │   ├── ReportController.java      # 报告控制器
│   │   │   │   ├── ReviewApiController.java  # 审查API控制器
│   │   │   │   └── WebhookController.java     # Webhook控制器
│   │   │   ├── service/              # 服务层
│   │   │   │   ├── CodeReviewService.java     # 代码审查服务
│   │   │   │   ├── ReviewService.java         # 审查日志服务
│   │   │   │   └── ReportService.java         # 报告服务
│   │   │   ├── entity/               # 实体层
│   │   │   │   ├── MrReviewLog.java           # MR审查日志实体
│   │   │   │   └── PushReviewLog.java         # Push审查日志实体
│   │   │   ├── repository/           # 数据访问层
│   │   │   │   ├── MrReviewLogRepository.java
│   │   │   │   └── PushReviewLogRepository.java
│   │   │   ├── llm/                  # 大模型客户端层
│   │   │   │   ├── LLMClient.java              # LLM客户端接口
│   │   │   │   ├── LLMFactory.java             # LLM工厂
│   │   │   │   ├── BaseOpenAIClient.java       # 基础OpenAI客户端
│   │   │   │   ├── OpenAIClient.java           # OpenAI客户端
│   │   │   │   ├── DeepSeekClient.java         # DeepSeek客户端
│   │   │   │   ├── GlmClient.java              # 智谱大模型客户端
│   │   │   │   └── QwenClient.java             # 通义千问客户端
│   │   │   ├── messaging/            # 消息通知层
│   │   │   │   ├── NotificationService.java   # 通知服务接口
│   │   │   │   ├── DingTalkNotifier.java       # 钉钉通知器
│   │   │   │   ├── WeComNotifier.java         # 企业微信通知器
│   │   │   │   ├── FeishuNotifier.java        # 飞书通知器
│   │   │   │   └── ExtraWebhookNotifier.java  # 自定义Webhook通知器
│   │   │   ├── webhook/              # Webhook处理器层
│   │   │   │   ├── GitHubWebhookHandler.java   # GitHub处理器
│   │   │   │   ├── GitLabWebhookHandler.java   # GitLab处理器
│   │   │   │   └── GiteaWebhookHandler.java    # Gitea处理器
│   │   │   ├── config/               # 配置类
│   │   │   │   ├── AsyncConfig.java            # 异步配置
│   │   │   │   └── WebConfig.java              # Web配置
│   │   │   ├── constants/            # 常量类
│   │   │   │   └── AiReviewConstants.java
│   │   │   ├── AiReviewApplication.java # 应用启动类
│   │   │   └── main/                 # 主程序入口
│   │   └── resources/
│   │       └── prompt_templates.yml  # 提示词模板
│   └── test/                         # 测试代码
│       ├── AiReviewApplicationTests.java
│       └── AiReviewFunctionalTests.java
├── data/                             # 数据存储目录（SQLite数据库）
├── pom.xml                          # Maven依赖配置
├── .env.example                     # 环境变量示例
└── .gitignore                       # Git忽略配置

十、技术难点与解决方案

难点 1: 代码语言自动检测

问题：如何从 diff 文件中准确判断代码语言？

解决方案：

通过文件扩展名检测（最准确）
从 diff 内容中检测特定语法特征（如 Vue3 的 <script setup>）
统计语言出现频率，返回频率最高的语言

难点 2: 大模型 API 限制

问题：代码 diff 过长会超过大模型的 Token 限制。

解决方案：

实现简单的 Token 估算（1 token ≈ 4 chars）
超过限制时截断代码
截断后重新检测语言

难点 3: Webhook 安全性

问题：如何防止恶意请求调用 Webhook？

解决方案：

代码平台本身提供了 Token 验证机制
可以在服务端验证请求签名
实现了基础的防爬虫机制

难点 4: 异步处理可靠性

问题：异步处理过程中如何保证可靠性？

解决方案：

使用 Spring 的 @Async 注解
捕获所有异常，记录日志
数据库持久化，防止丢失
重试机制（可扩展）

难点 5: 多数据库支持

问题：如何支持 SQLite 和 MySQL 两种数据库？

解决方案：

使用 Spring Data JPA，屏蔽数据库差异
通过 @Value 注入不同数据库的配置
在配置文件中通过条件判断选择数据库驱动
数据库方言自动适配

十一、本节总结

智能代码审查系统是一个将 AI 技术应用到代码审查场景的尝试，通过 AI 的力量提高代码质量，减少 Bug，提高开发效率。

这个项目能够让大家深刻体会到：

好的架构设计能让开发事半功倍
设计模式能解决很多重复性问题
配置外部化能提高系统的灵活性
完善的文档能降低维护成本
良好的监控能快速定位问题

如果你也在为代码审查而烦恼，不妨试试 AI Review。它不仅能帮你找出代码中的 Bug，还能帮你培养良好的代码习惯，让你从重复的 Review 工作中解放出来，专注于更有价值的事情。

当然，AI 只是一个工具，代码质量最终还是要靠人去把控。AI 可以发现代码中的问题和坏味道，但无法理解业务逻辑和上下文。所以，最好的实践是：AI 自动审查 + 人工 Review，两者结合才能达到最好的效果。

好了，接下来的一段时间，冰河就开始带着大家一步步设计和实现智能代码审查系统~~

在冰河技术知识星球， 《AI智能代码审查平台》 已完结，同时，《AI全链路短剧生成平台》、《智能代码审查系统》 已完结， 《多智能体协作与AI工作台》 项目热更中，还有其他二十几个项目，像实战Claude Code、AI知识库系统、智流助手平台、智能成语挑战赛项目、多轮AI智能对话系统、一站式AI智能平台、AI智能客服系统、AI智能问答系统、实战AI大模型、手写高性能敏组件、手写线程池、手写高性能SQL引擎、手写高性能Polaris网关、手写高性能熔断组件、手写通用指标上报组件、手写高性能数据库路由组件、手写分布式IM即时通讯系统、手写Seckill分布式秒杀系统、手写高性能RPC、实战高并发设计模式、简易商城系统等等。

这些项目的需求、方案、架构、落地等均来自互联网真实业务场景，让你真正学到互联网大厂的业务与技术落地方案，并将其有效转化为自己的知识储备。

值得一提的是：冰河自研的Polaris高性能网关比某些开源网关项目性能更高，目前正在热更AI一体化项目，也正在实现MCP，全程带你分析原理和手撸代码。

你还在等啥？不少小伙伴经过星球硬核技术和项目的历练，早已成功跳槽加薪，实现薪资翻倍，而你，还在原地踏步，抱怨大环境不好。抛弃焦虑和抱怨，我们一起塌下心来沉淀硬核技术和项目，让自己的薪资更上一层楼。

🚀PS：目前已开通最大优惠：长按或扫码加入星球立减30，注意：随着项目和专栏的更新，星球也即将涨价！！

目前，领券加入星球就可以跟冰河一起学习《实战Claude Code》、《多轮AI智能对话系统》、《一站式AI智能平台》、《AI智能客服系统》、《AI智能问答系统》、《实战AI大模型》、《手写高性能Redis组件》、《手写高性能脱敏组件》、《手写线程池》、《手写高性能SQL引擎》、《手写高性能Polaris网关》、《手写高性能RPC项目》、《分布式Seckill秒杀系统》、《分布式IM即时通讯系统》《手写高性能通用熔断组件项目》、《手写高性能通用监控指标上报组件》、《手写高性能数据库路由组件》、《手写简易商城脚手架项目》、《Spring6核心技术与源码解析》和《实战高并发设计模式》，从零开始介绍原理、设计架构、手撸代码。

花很少的钱就能学这么多硬核技术、中间件项目和大厂秒杀系统、分布式IM即时通讯系统，AI大模型项目，比其他培训机构不知便宜多少倍，硬核多少倍，如果是我，我会买他个十年！

加入要趁早，后续还会随着项目和加入的人数涨价，而且只会涨，不会降，先加入的小伙伴就是赚到。

另外，还有一个限时福利，邀请一个小伙伴加入，冰河就会给一笔 分享有奖 ，有些小伙伴都邀请了50+人，早就回本了！

十三、其他方式加入星球

链接：打开链接 http://m6z.cn/6aeFbs 加入星球。
回复：在公众号 冰河技术 回复星球领取优惠券加入星球。

特别提醒： 苹果用户进圈或续费，请加微信 hacker_binghe 扫二维码，或者去公众号 冰河技术 回复星球扫二维码加入星球。

好了，今天就到这儿吧，我是冰河，我们下期见~~