open-code-review新手教程从零配置到第一次评审的完整路径【免费下载链接】open-code-reviewFast, efficient, battle-tested at Alibabas scale. Hybrid architecture code review tool: deterministic pipelines LLM Agent, precise line-level comments, built-in multi-language ruleset (NPE, thread-safety, XSS, SQL injection), OpenAI Anthropic compatible.项目地址: https://gitcode.com/GitHub_Trending/op/open-code-reviewopen-code-reviewOCR是阿里巴巴开源的 AI 代码评审 CLI 工具采用确定性流水线 LLM Agent混合架构能读取 Git 差异并生成行级精准的评审意见内置 NPE、线程安全、XSS、SQL 注入等多语言规则集兼容 OpenAI 与 Anthropic 协议。对于新手来说整个上手路径只有四步安装 CLI → 配置模型 → 测试连通 → 运行第一次评审全程只需几分钟。该项目在阿里巴巴集团内部服务了 2 万 活跃用户、累计执行超过 100 万次代码评审任务并经 1505 个标注问题交叉验证基准测试 F1 得分达 25.10%。一、前置条件检查清单开始之前请确认你的开发环境满足以下要求参考官方快速开始文档 quickstart.md依赖项版本要求用途Git≥ 2.41生成 diff、代码搜索与仓库操作Node.js≥ 18运行 npm 安装的全局命令LLM API Key任意一家驱动评审 Agent委托模式除外验证 Git 版本git --version二、一键安装 open-code-review CLI推荐使用 npm 全局安装安装完成后即获得ocr命令npm install -g alibaba-group/open-code-review安装完成后验证ocr version # 输出版本号 git commit 构建日期 ocr --help # 查看顶层帮助 npm 安装的ocr默认会在后台静默检查新版本并自动升级18 分钟冷却一次如不希望自动更新可设置环境变量OCR_NO_UPDATE1关闭。除 npm 外官方还支持 Homebrew、MacPorts、安装脚本、Release 静态二进制和源码构建等方式完整说明见安装文档 installation.md。如果想在本地贡献或魔改也可以从源码构建git clone https://gitcode.com/GitHub_Trending/op/open-code-review cd open-code-review make build # 产物在 dist/opencodereview构建流程的入口定义在 Makefile 中。三、最快配置方法交互式选择模型提供商这是新手最容易卡住的一步。OCR 内置了 Anthropic、OpenAI、DeepSeek、Kimi、DashScope、Gemini 等 20 多家提供商的 Base URL 与协议预设选中后只需填 API Key即可。运行交互式配置向导ocr config provider向导会依次引导你完成四件事选择提供商在 Official / Custom / Manual 三类页签中挑选内置提供商在 Official 页签填入 API Key如未填写OCR 会自动回退读取对应的环境变量例如ANTHROPIC_API_KEY、OPENAI_API_KEY选择模型为当前提供商挑选一个模型自动连通测试保存配置到~/.opencodereview/config.json后自动执行一次连通性验证。之后想换模型只需再运行ocr config model无交互环境的配置方式CI / 脚本在 CI 或不支持 TUI 的环境里可以用命令直接写入同一份配置ocr config set provider anthropic ocr config set model claude-opus-4-6 ocr config set providers.anthropic.api_key sk-ant-xxxxxxxxxx所有配置键与环境变量的完整列表见配置文档 configuration.md。四、测试连通性评审前必须做的一步单独验证模型端点是否可用ocr llm test常见报错排查报错信息原因解决办法no valid LLM endpoint configured尚未配置模型重新执行ocr config provider401 / 403API Key 错误或已过期重新获取并填写 Key连通性测试的实现位于 internal/config/testconnection 目录。五、运行第一次代码评审进入任意 Git 仓库执行评审。OCR 默认是工作区模式——一次性评审已暂存、未暂存和未跟踪的全部变更cd your-project # 工作区模式默认 ocr review # 分支区间模式评审 feature-branch 相对 main 的分叉点之后的变更 ocr review --from main --to feature-branch # 单提交模式 ocr review --commit abc123新手小技巧正式评审前可以先用--preview看看将会评审哪些文件ocr review --preview # 预览工作区评审范围 ocr review -c abc123 --preview # 预览单个提交的评审范围预览逻辑的实现见 internal/agent/preview.go。评审被中断了怎么办对于较大的分支区间评审OCR 支持断点续审——先列出历史会话再带上--resume继续ocr session list ocr review --from main --to feature-branch --resume session-id会话持久化与恢复逻辑位于 internal/session 目录。给系统或 AI 宿主代理的输出模式--audience agent会隐藏人类友好的进度界面让 stdout 只输出 JSON / 最终摘要非常适合 CI 脚本或上游 Agent 消费ocr review --format json --audience agent review.json没有 diff 也要评审用 ocr scan如果目标是审计不熟悉的代码库或没有有意义 diff 的目录可以评审整个文件而非差异ocr scan # 扫描整个仓库 ocr scan --path internal/agent # 只扫描指定目录或文件扫描子命令的实现位于 internal/scan 目录。六、评审结果去哪看所有评审会话都会以 JSONL 形式流式写入~/.opencodereview/sessions/目录可直接用内置的会话查看器在浏览器中回放ocr viewer查看器的服务端实现见 internal/viewer。此外项目还内置了面向 GitHub Actions、GitLab CI、Gerrit 等的评审回写脚本集成示例位于 examples 目录可参考 examples/README.md。七、为什么选 open-code-review 而不是通用 Agent在 50 个流行开源仓库、200 个真实 PR、10 种语言的 AACR-Bench 基准测试中open-code-review 在相同模型下取得了显著更高的**精确率Precision**与F1同时 Token 消耗仅为通用 Agent 的约 1/9、评审速度更快——这是它宁可漏报、不做噪音的刻意取舍核心原因可以概括为一句话该用工程保证正确的绝不交给语言模型。精确的文件筛选、智能文件捆绑、基于模板引擎的规则匹配由确定性流水线完成提示词与工具集的动态决策则交给 Agent。完整的架构说明见文档 architecture.md多语言规则集源码位于 internal/config/rules。八、新手上手路径速查表步骤命令预期结果1. 安装npm install -g alibaba-group/open-code-reviewocr命令可用2. 配置模型ocr config provider完成提供商 模型配置并自动测试3. 连通验证ocr llm test输出端点可用4. 首次评审ocr review得到行级评审意见5. 回放查看ocr viewer浏览器中查看历史会话至此你已经完成了从零配置到第一次评审的完整路径。接下来可以探索的方向自定义评审规则review-rules.md、MCP 扩展工具mcp.md以及将评审嵌入 Claude Code、Codex、Cursor 等编码代理plugins/open-code-review/README.md。【免费下载链接】open-code-reviewFast, efficient, battle-tested at Alibabas scale. Hybrid architecture code review tool: deterministic pipelines LLM Agent, precise line-level comments, built-in multi-language ruleset (NPE, thread-safety, XSS, SQL injection), OpenAI Anthropic compatible.项目地址: https://gitcode.com/GitHub_Trending/op/open-code-review创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考