很早的時候就想著用AI來做Code Review，最近也看到了一些不錯的實現，但是沒有一個使用Java來構建的，看的比較費勁，雖然說語言只是一種工具，但是還是想用Java重新寫一遍，正好最近Spring AI Alibaba出了正式版，就拿來用了。
簡單的效果圖
???

1. 架構概覽

本應用采用事件驅動架構，其核心工作流程如下：

1. GitHub Webhook 觸發：開發者在 GitHub 倉庫中創建或更新一個 Pull Request (PR) 時，會觸發一個預先配置好的 Webhook。
2. 事件接收與處理：后端的 Spring Boot 應用通過 GitHubWebhookController 接收該事件。
3. 任務分發：GithubWebhookServiceImpl 解析 Webhook 負載，提取 PR 相關信息，并異步觸發 CodeReviewServiceImpl 執行代碼評審任務。
4. 獲取代碼變更：CodeReviewServiceImpl 調用 GitHubAdapter，通過 GitHub API 獲取該 PR 的代碼變更詳情（diff）。
5. 調用大模型分析：LlmAdapter 負責構建發送給大模型的 Prompt。該 Prompt 包含代碼變更、預設的評審規則以及可選的 RAG（檢索增強生成）知識。隨后，它通過 Spring AI 的 ChatClient 將請求發送給阿里巴巴通義千問模型。
6. 處理與發布結果：應用接收 LLM 返回的評審建議，將其格式化后，通過 GitHubAdapter 調用 GitHub API，將評審評論發布到對應的 PR 下。

2. 依賴配置 (pom.xml)

<!-- Spring AI 核心與阿里巴巴通義千問集成 --><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter-dashscope</artifactId></dependency><!-- GitHub API Java 客戶端 -->
<dependency><groupId>org.kohsuke</groupId><artifactId>github-api</artifactId><version>1.321</version>
</dependency>

• spring-ai-alibaba-tongyi-spring-boot-starter：這是 Spring AI 對接阿里巴巴通義千問模型的關鍵，它提供了自動配置和 ChatClient 實現。
• github-api：一個便捷的 Java 庫，用于與 GitHub REST API 進行交互。

3. 應用配置 (application.yml)

所有外部服務的憑證和行為都在 application.yml 中定義。

server:port: 8080spring:# Spring AI 配置ai:dashscope:api-key: ${DASHSCOPE_API_KEY}# GitHub App 相關配置
github:# App IDapp-id: ${GITHUB_APP_ID}# App 安裝后的 Installation IDinstallation-id: ${GITHUB_INSTALLATION_ID}# App 生成的私鑰（Base64 編碼）private-key: ${GITHUB_PRIVATE_KEY}# Webhook 使用的密鑰webhook-secret: ${GITHUB_WEBHOOK_SECRET}

• spring.ai.alibaba.tongyi.*：此路徑下的所有配置都用于設置通義千問模型。你需要提供一個有效的 API Key，并可以選擇合適的模型。
• github.*：此處配置了 GitHub App 的認證信息。使用 GitHub App 而非個人訪問令牌（PAT）是最佳實踐，因為它提供了更細粒度的權限控制。

4. 核心代碼實現

4.1. GitHub Webhook 接入

GitHubWebhookController 是應用的入口點。它負責驗證和接收來自 GitHub 的 HTTP POST 請求。

// GitHubWebhookController.java
@RestController
@RequestMapping("/api/github")
public class GitHubWebhookController {// ...@PostMapping("/webhook")public ResponseEntity<String> handleWebhook(@RequestHeader("X-Hub-Signature-256") String signature,@RequestBody String payload) {// 1. 驗證簽名// 2. 調用 IGithubWebhookService 處理業務邏輯githubWebhookService.processPullRequestEvent(payload);return ResponseEntity.ok("Event received");}
}

4.2. Code Review 核心服務

CodeReviewServiceImpl 是業務邏輯的核心。它編排了整個代碼評審的流程。

// CodeReviewServiceImpl.java
@Service
public class CodeReviewServiceImpl implements ICodeReviewService {// ...@Overridepublic ReviewResultDTO reviewCode(ReviewTaskDTO reviewTask) {// 1. 獲取代碼 diffString diff = githubAdapter.getPullRequestDiff(reviewTask.getOwner(), reviewTask.getRepo(), reviewTask.getPullRequestNumber());// 2. 準備 PromptString userMessage = "請評審以下代碼變更：\n" + diff;// 3. 調用 LLMString reviewContent = llmAdapter.generateReview(userMessage);// 4. 解析 LLM 響應并構建 ReviewResultDTO// ...return reviewResult;}
}

4.3. 與大模型交互

LlmAdapter 封裝了與 Spring AI 和通義千問模型的所有交互細節。

// LlmAdapter.java
@Component
public class LlmAdapter {private final ChatClient chatClient;@Autowiredpublic LlmAdapter(ChatClient chatClient) {this.chatClient = chatClient;}public String generateReview(String codeDiff) {// 系統消息，用于設定 AI 的角色和任務String systemMessage = "你是一個資深軟件工程師，擅長代碼評審..."// 用戶消息，包含具體的代碼變更String userMessage = "請評審以下代碼變更，并以JSON格式返回你的發現...\n\n" + codeDiff;Prompt prompt = new Prompt(List.of(new SystemMessage(systemMessage),new UserMessage(userMessage)));ChatResponse response = chatClient.call(prompt);return response.getResult().getOutput().getContent();}
}

這里使用了 SystemMessage 來為 AI 設定角色和輸出要求，這有助于獲得更穩定和結構化的輸出。

4.4. 發布評審結果

當 CodeReviewServiceImpl 獲得格式化的評審結果后，會調用 ResultPublishServiceImpl，后者再通過 GitHubAdapter 將評論發布回 GitHub。

// GitHubAdapter.java
public void postReviewComment(String owner, String repo, int prNumber, String commentBody, String commitId, String path, int lineNumber) {try {GHRepository repository = getGithubClient().getRepository(owner + "/" + repo);GHPullRequest pullRequest = repository.getPullRequest(prNumber);pullRequest.createReviewComment(commentBody, commitId, path, lineNumber);} catch (IOException e) {throw new RuntimeException("Failed to post review comment to GitHub", e);}
}

5. (暫時簡單實現) 結合 RAG 提升評審質量

RAGService 為項目引入了檢索增強生成（RAG）的能力。通過將內部的編碼規范、最佳實踐或常見錯誤模式文檔化并存儲在向量數據庫（如 Elasticsearch）中，我們可以在生成 Prompt 前，先檢索與代碼變更最相關的信息。

將這些檢索到的信息一并提供給 LLM，可以顯著提升評審的準確性和深度，使其更貼合團隊的特定規范。