免费额度玩转AI代码审查：GitHub Actions工作流实战

Automated code review 是少数在第一个 Pull Request 就能收回成本的 AI 工作流之一，如果你围绕模型的限制来设计流水线，而不是对抗这些限制，完全可以在免费额度内运行整个流程。我构建了一个 GitHub Actions 工作流，它调用开源 MonkeyCode 项目的免费模型来对 Pull Request 进行评论，结果是一个能发现真实问题而不会刷屏的评审工具。披露：本文是 MonkeyCode 产品推广的一部分。

开源 MonkeyCode 项目目前提供一千万 token 的免费模型额度和一个免费服务器选项，虽然本流水线不需要服务器，但如果你想把同样的逻辑迁移到托管的 webhook，它就会派上用场。设置故意做得很简单，因为价值在于工作流本身，而不是模型。工作流在 pull_request 事件时触发，检出完整历史的仓库，然后将统一的 diff 传递给一个 Python 脚本，由模型生成结构化的反馈。

第一步是一个工作流文件，用于捕获 base 分支和 head 分支之间的 diff。使用 fetch-depth: 0 确保 git 可以计算精确的变更，diff 被保存到一个临时文件中，供 review 脚本读取。环境变量携带 API key 和 GitHub token，因此不会有密钥出现在仓库中。

name: AI PR Review
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0
      - name: Get diff
        run: git diff origin/${{ github.event.pull_request.base.ref }}...HEAD > /tmp/diff.txt
      - name: Run AI review
        env:
          MONKEYCODE_API_KEY: ${{ secrets.MONKEYCODE_API_KEY }}
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
        run: python review.py /tmp/diff.txt

pull_request 事件在 opened 和 synchronize 时都会触发，这意味着每次向分支新推送代码都会触发一次新的评审。这通常是期望的行为，但同时也带来了重复评论的问题，脚本必须处理。git diff 命令比较合并基准和 head，因此只包含实际属于该 Pull Request 的变更。

Python 脚本是设计决策的关键所在。diff 在发送给模型之前会被截断到合理的大小，因为一个 Pull Request 很容易超过免费层端点的输入限制，而 prompt 则要求模型返回一个包含 path、line 和 body 的 JSON 数组。模型被指示在没有问题时返回一个空数组，这使得解析逻辑非常简单。

import json, os, sys, urllib.request

def review_diff(diff_path):
    diff = open(diff_path).read()[:12000]
    prompt = (
        "You are a senior code reviewer. "
        "Review this diff and return a JSON array of comments. "
        "Each comment must have 'path', 'line', and 'body'. "
        "Only comment on real issues. If no issues, return [].\n\n"
        f"Diff:\n{diff}"
    )
    payload = json.dumps({
        "model": "free-model",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.2
    }).encode()
    req = urllib.request.Request(
        "https://api.monkeycode.example/v1/chat/completions",
        data=payload,
        headers={
            "Content-Type": "application/json",
            "Authorization": f"Bearer {os.environ['MONKEYCODE_API_KEY']}"
        }
    )
    with urllib.request.urlopen(req) as resp:
        data = json.loads(resp.read())
    content = data["choices"][0]["message"]["content"]
    try:
        return json.loads(content)
    except json.JSONDecodeError:
        return []

脚本随后通过 GitHub API 发布每条评论，但前提是该评论尚不存在。这个去重步骤至关重要，因为一个在 opened 和 synchronize 事件上都会触发的工作流，否则会在每次推送时重复同样的反馈。脚本还将评论总数限制在五条，这可以保持低噪音，并强制模型优先处理最重要的发现。

def post_comments(comments):
    existing = fetch_existing_comments()
    posted = 0
    for c in comments:
        if posted >= 5:
            break
        key = (c["path"], c["line"], c["body"])
        if key in existing:
            continue
        create_comment(c["path"], c["line"], c["body"])
        posted += 1

这个工作流有真实的局限性，你在复制之前应该了解。免费模型偶尔会产生误报，所以这些评论是建议而非阻止项；JSON 输出可能格式不正确，此时脚本会直接跳过本次评审。diff 截断意味着非常大的 Pull Request 只会被部分评审，而且模型除了 diff 本身之外对周围代码库没有感知，所以它无法发现跨文件的问题。这不是人类评审的替代品；它是一个分类层，在人类查看代码之前先暴露显而易见的问题。

最让我惊讶的是，要让这东西真正有用，需要的代码量竟然如此之少。整个工作流不到一百行，最难的部分不是 API 调用，而是去重和输出解析——这些问题你在任何外部评审工具中都会遇到。MonkeyCode 的免费模型额度对于小型团队的 Pull Request 量来说足够充裕，而免费服务器选项在你希望从 GitHub Actions 迁移到可以处理其他 AI 任务的自托管 webhook 时就变得有意义了。

如果你想尝试这种模式，请查看 MonkeyCode 仓库以获取当前的免费模型访问方式和免费服务器详情，因为配额和端点会随时间变化。工作流本身才是值得保留的部分，它可以迁移到你以后可能使用的任何模型提供商。免费层的 AI 评审工具不是噱头；这是一种切实可行的方式，把少量额度花在每天能节省真实注意力的事物上。