场景一：企业代码审查机器人（CI/CD 集成）

第一个商业场景：代码审查。这是企业最愿意付费的 AI 应用之一——每个 PR 都能审、24 小时在线、不会漏掉安全漏洞。这一节从需求到上线完整交付。

本文导航

• 需求分析与报价
• 架构设计
• Git 钩子与 CI 集成
• Diff 提取与分级审查
• 评论回写 GitHub/GitLab
• 交付实录与复盘
• 小结

---

需求分析与报价

客户需求

某中型互联网公司，50 人研发团队，每天 30+ PR，人工 review 跟不上：

• 资深工程师每天花 2 小时 review，影响开发进度
• 初级工程师的 PR 质量参差不齐，经常漏掉安全问题
• 周末提交的 PR 没人审，阻塞合并

需求拆解

功能	描述	优先级
PR 触发	新 PR 或更新时自动触发审查	P0
Diff 提取	提取 PR 的代码变更	P0
分级审查	安全 > 性能 > 风格，分级告警	P0
评论回写	将审查结果作为 PR 评论回写	P0
白名单	某些文件/目录跳过审查	P1
审查报告	每日/每周审查统计	P2

报价

开发费用：
- 核心功能开发：3 周 × 5000 元/周 = 15000 元
- CI/CD 集成调试：1 周 × 5000 元/周 = 5000 元
- 文档与培训：2 天 × 2500 元/天 = 5000 元
- 合计：25000 元

运维费用（年）：
- API 调用费：30 PR/天 × 365 天 × 0.05 元/PR ≈ 550 元/年
- 服务器：200 元/月 × 12 = 2400 元/年
- 维护支持：3000 元/年
- 合计：约 6000 元/年

客户最终成交：开发 25000 元 + 年运维 6000 元

架构设计

核心流程：

1. GitHub Webhook 监听 PR 事件
2. 提取 PR diff（代码变更）
3. 调用 DeepSeek 分级审查（安全/性能/风格）
4. 将审查结果作为 PR 评论回写
5. 可选：每日生成审查报告邮件

Git 钩子与 CI 集成

方案一：GitHub Webhook（推荐）

# review_bot/webhook.py —— GitHub Webhook 服务
from fastapi import FastAPI, Request, HTTPException
from github import Github
import hmac
import hashlib

app = FastAPI()
GITHUB_SECRET = "your_webhook_secret"  # 与 GitHub 配置一致

def verify_signature(payload_body: bytes, signature: str) -> bool:
    """验证 GitHub Webhook 签名"""
    expected = hmac.new(
        GITHUB_SECRET.encode(),
        payload_body,
        hashlib.sha256
    ).hexdigest()
    return hmac.compare_digest(f"sha256={expected}", signature)


@app.post("/webhook")
async def github_webhook(request: Request):
    """接收 GitHub Webhook"""
    payload = await request.body()
    signature = request.headers.get("X-Hub-Signature-256", "")
    
    if not verify_signature(payload, signature):
        raise HTTPException(status_code=403, detail="Invalid signature")
    
    event = request.headers.get("X-GitHub-Event")
    data = await request.json()
    
    if event == "pull_request":
        action = data["action"]
        if action in ["opened", "synchronize"]:  # 新建或更新 PR
            pr_number = data["pull_request"]["number"]
            repo_name = data["repository"]["full_name"]
            
            # 异步触发审查
            import asyncio
            asyncio.create_task(review_pr(repo_name, pr_number))
    
    return {"status": "ok"}

方案二：GitHub Actions

# .github/workflows/ai-review.yml
name: AI Code Review

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0  # 获取完整历史用于 diff
      
      - name: Install review bot
        run: pip install deeppilot-review-bot
      
      - name: Run AI review
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
          DEEPSEEK_API_KEY: ${{ secrets.DEEPSEEK_API_KEY }}
        run: |
          deeppilot-review \
            --repo ${{ github.repository }} \
            --pr ${{ github.event.pull_request.number }}

Diff 提取与分级审查

提取 PR Diff

# review_bot/diff_extractor.py
from github import Github
import re

def extract_pr_diff(repo_name: str, pr_number: int, token: str) -> list[dict]:
    """提取 PR 的代码变更"""
    g = Github(token)
    repo = g.get_repo(repo_name)
    pr = repo.get_pull(pr_number)
    
    diffs = []
    for file in pr.get_files():
        if file.status == "removed":
            continue
        
        # 跳过大文件（超过 1000 行变更）
        if file.additions + file.deletions > 1000:
            continue
        
        diffs.append({
            "filename": file.filename,
            "status": file.status,  # added, modified, renamed
            "patch": file.patch,    # unified diff 格式
            "additions": file.additions,
            "deletions": file.deletions,
        })
    
    return diffs

分级审查

# review_bot/reviewer.py
from deep_pilot.client import client
from pydantic import BaseModel

class ReviewComment(BaseModel):
    """审查评论"""
    filename: str
    line: int
    body: str
    severity: str  # critical, warning, info

REVIEW_PROMPT = """你是一位资深代码审查员。请审查以下代码变更，按三个维度给出意见：

1. **安全问题**（critical）：SQL 注入、XSS、硬编码密钥、权限绕过等
2. **性能问题**（warning）：N+1 查询、内存泄漏、死循环风险等
3. **代码风格**（info）：命名规范、注释缺失、重复代码等

对于每个问题，指出文件名、行号、问题描述和修复建议。
如果没有问题，回复"LGTM"（Looks Good To Me）。

代码变更：
{diff}
"""

def review_diff(diff: dict) -> list[ReviewComment]:
    """审查单个文件的变更"""
    prompt = REVIEW_PROMPT.format(diff=diff["patch"])
    
    response = client.chat.completions.create(
        model="deepseek-flash",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3,  # 低温度，更确定性
    )
    
    content = response.choices[0].message.content or ""
    
    # 解析审查结果
    comments = []
    if "LGTM" in content:
        return comments
    
    # 简单解析（实际可用更复杂的解析）
    for line in content.split("\n"):
        if line.startswith("- **"):
            # 解析格式：- **问题类型**：文件名:行号 - 描述
            match = re.match(r"- \*\*(\w+)\*\*：(.+?):(\d+) - (.+)", line)
            if match:
                severity, filename, line_no, body = match.groups()
                comments.append(ReviewComment(
                    filename=filename,
                    line=int(line_no),
                    body=body,
                    severity=severity.lower(),
                ))
    
    return comments

评论回写 GitHub/GitLab

# review_bot/commenter.py
from github import Github

def post_review_comments(
    repo_name: str,
    pr_number: int,
    comments: list[ReviewComment],
    token: str,
):
    """将审查结果回写为 PR 评论"""
    g = Github(token)
    repo = g.get_repo(repo_name)
    pr = repo.get_pull(pr_number)
    
    if not comments:
        # 没有问题，发一个 LGTM 评论
        pr.create_issue_comment("✅ **AI Review**: LGTM - 没有发现明显问题")
        return
    
    # 按严重程度分组
    critical = [c for c in comments if c.severity == "critical"]
    warning = [c for c in comments if c.severity == "warning"]
    info = [c for c in comments if c.severity == "info"]
    
    # 构建评论内容
    body = "## 🤖 AI Code Review\n\n"
    
    if critical:
        body += "### 🚨 严重问题\n"
        for c in critical:
            body += f"- **{c.filename}:{c.line}** - {c.body}\n"
        body += "\n"
    
    if warning:
        body += "### ⚠️ 警告\n"
        for c in warning:
            body += f"- **{c.filename}:{c.line}** - {c.body}\n"
        body += "\n"
    
    if info:
        body += "### 💡 建议\n"
        for c in info:
            body += f"- **{c.filename}:{c.line}** - {c.body}\n"
    
    # 发布评论
    pr.create_issue_comment(body)

交付实录与复盘

部署架构

review-bot/
├── webhook.py          # FastAPI Webhook 服务
├── diff_extractor.py   # Diff 提取
├── reviewer.py         # DeepSeek 审查
├── commenter.py        # GitHub 评论回写
└── Dockerfile          # 容器化部署

部署在客户的内网服务器，通过 Nginx 反向代理暴露 Webhook 端点。

实际效果

上线 1 个月后的数据：

指标	上线前	上线后	变化
日均 PR 审查时间	2 小时/人	15 分钟/人	-87%
安全问题漏检率	约 15%	约 2%	-87%
PR 平均合并时间	8 小时	2 小时	-75%
工程师满意度	-	4.2/5	-

客户反馈

“以前周末提交的 PR 要等到周一才能 review，现在 AI 秒审，开发体验好了很多。最关键的是上个月抓到了一个 SQL 注入漏洞，避免了潜在的数据泄露风险。” —— 技术总监

成本核算

收入：25000（开发）+ 6000（年运维）= 31000 元（第一年）

成本：
- 开发人力：3 周 × 5000 = 15000 元
- API 调用：550 元/年
- 服务器：2400 元/年
- 维护支持：3000 元/年
- 合计：20950 元

毛利：31000 - 20950 = 10050 元（第一年）
后续每年：6000 - 5950 = 50 元（几乎纯利）

关键点：第一年的开发投入大，但后续运维成本极低，是长期现金流生意。

---

小结

1. 需求明确：50 人团队、30+ PR/天，痛点是人工 review 跟不上。
2. 架构简单：Webhook + Diff 提取 + DeepSeek 审查 + 评论回写，4 个核心模块。
3. 分级审查：安全 > 性能 > 风格，让开发者优先关注最关键的问题。
4. 报价策略：开发费 25000 + 年运维 6000，客户接受度高。
5. 效果显著：审查时间 -87%，安全问题漏检率 -87%，PR 合并时间 -75%。
6. 长期价值：第一年毛利 1 万，后续每年几乎纯利，是可持续的现金流业务。

下节预告

第二个商业场景：智能客服 Agent——工单自动读取、知识库检索、分级处理（自动回复/人工升级）、回写闭环。和代码审查一样是高频刚需，但实现思路完全不同。

---

如果觉得本文对你有帮助，欢迎点赞、收藏、关注三连！
本系列持续更新中，关注不迷路~