What · 是什么
让审查自动跑在每个 MR/PR：GitHub Actions 一步复用、GitLab/Gerrit 等加 post_review.py 回贴评论
让 AI 审查自动跑在每次 MR/PR 上，无需人工触发，是规模化落地的标准形态
GitHub Actions：uses: alibaba/open-code-review@main，三个必填输入 llm_url / llm_auth_token / llm_model，Anthropic 协议模型需加 llm_use_anthropic
GitLab：在 .gitlab-ci.yml 中配置审查作业，结合 post_review.py 把审查结果回贴为 discussion 评论
Gerrit / Codeup / GitFlic / Bitbucket 等平台遵循同一模式：CI 作业执行审查 + 脚本回贴结果
审查产物：.ocr/ocr-stats.env（统计信息，如评论数/token 数）与 result.json（结构化审查结果），供下游消费
配置陷阱：action 输入中 'true'/'false' 必须写成字符串字面量，裸布尔会被 YAML 解析为布尔类型导致传参失败
Why · 为什么
原理 · Principle
人工 review 无法保证每个 MR 都覆盖，CI 自动化把审查变成合并的必经环节而非可选项
回贴讨论（GitLab discussion / GitHub comment）让审查结论与代码行绑定，开发者在原处即可处理
统计产物（ocr-stats.env）支撑团队度量：审查覆盖率、评论密度、token 成本都可量化
多平台一致模式降低落地成本：学会一套（Actions）即可复制到其他平台
How · 怎么做
GitHub Actions 接入：在工作流中 steps 内 uses: alibaba/open-code-review@main，配置 llm_url、llm_auth_token、llm_model 三个必填项，Anthropic 协议模型再加 llm_use_anthropic（注意 'true' 写字符串字面量）
GitLab 接入：在 .gitlab-ci.yml 新增审查 stage，作业内运行审查命令，随后用 post_review.py 将 result.json 回贴为 MR discussion
其他平台：仿照同一模式，CI 作业跑审查 + 读取 result.json + 平台 API 回贴评论
消费产物：审查后读取 .ocr/ocr-stats.env 与 result.json，接入通知（如机器人推送摘要）或度量面板
配置检查：审查 job 配置中所有布尔型输入用引号包裹（'true'/'false'），避免 YAML 布尔解析问题
案例 · Cases
| 代表性案例 |
|---|
| GitHub 团队落地：每个 PR 自动审查并评论，Precision 优先保证评论值得处理 |
| GitLab 合规流程：审查结果回贴为 discussion，合并前必须处理高严重度评论 |
| 多平台统一：同一仓库在 GitLab 与 Gerrit 双平台使用，产物格式一致便于脚本复用 |
| 度量驱动：CI 产物汇总到面板，按月看评论采纳率与 token 成本趋势 |
反模式 · Anti-patterns
- 把 llm_auth_token 明文写进工作流文件而非 secrets 注入，凭据随仓库泄漏
- 布尔输入不写字符串字面量：llm_use_anthropic: true 被 YAML 解析为布尔，action 收到类型错误而静默失败
- 忽略 .ocr/ 产物，审查结果只留在日志里，无法被通知/度量/归档消费
- 把回贴脚本写死在审查 job 里而不做失败降级：审查失败时流水线全红，阻塞正常合并
正反实例论证 · Evidence
正例 · Pro
Actions 三必填 + 字符串字面量布尔
- uses: alibaba/open-code-review@main with: llm_url: ${{ secrets.LLM_URL }} llm_auth_token: ${{ secrets.LLM_AUTH_TOKEN }} llm_model: deepseek-v3 llm_use_anthropic: 'false'llm_url/llm_auth_token/llm_model 三个必填项 + 密钥走 secrets，布尔输入用引号包裹为字符串字面量，传参可靠。
反例 · Con
布尔不写字符串字面量导致静默失败
llm_use_anthropic: false # YAML 解析为布尔而非字符串裸布尔被 YAML 解析为布尔类型，action 收到类型不符的输入而静默失败，审查不跑且无报错提示。
正例 · Pro
GitLab 回贴 discussion 让结论与代码行绑定
# .gitlab-ci.yml 审查作业ocr review --to cipython post_review.py .ocr/result.json # 回贴为 MR discussion审查结论回贴到对应代码行，开发者在原处处理，评审闭环在平台内完成。
反例 · Con
凭据明文写进工作流文件
llm_auth_token: sk-xxxx # 硬编码而非 secrets凭据随仓库泄漏，任何有仓库读权限的人都能提取并使用，账单与安全双风险。
正例 · Pro
消费 .ocr/ 产物接入度量
cat .ocr/ocr-stats.env# OCR_COMMENTS=12 OCR_TOKENS=38421# 推送机器人摘要 + 汇总到月度面板审查统计进入团队度量（覆盖率/评论密度/token 成本），结果不只在日志里转瞬即逝。
反例 · Con
忽略 .ocr/ 产物只留日志
# 审查后不读取 result.json / ocr-stats.env审查结果无法被通知、度量与归档消费，团队无法度量审查价值，问题也无人跟进。