免费AI工具：大MR自动分流风险等级，审查先看高危文件

一个 1,200 行的 MR 在下午 4:50 进入了我的队列。

11 个文件被修改。其中 3 个是生成的 lockfile，5 个是配置更新，2 个是实际的源码文件。在那两个源码文件中，有一个删除了一个重试块。

我没有时间去逐行阅读。于是我构建了一个 GitLab CI 作业，在人工审查之前将 diff 分成不同的风险桶。

目标不是取代审查，而是让审查的前五分钟变得更智能。

为什么全量 diff 摘要会失败

大多数 AI 审查工具会将整个分支发送给模型。

这会产生三个问题：

长 diff 会被截断，因此有风险的代码行往往是模型看不到的那一行。

生成的文件和 lockfile 会淹没真正的变更。

你可能会意外地将 token、密钥或客户数据泄露在 diff 中。

我想要的是相反的效果：对于大型 MR，使用一个小 prompt，内置脱敏功能。

MonkeyCode 的适用场景

对于在线方案，我使用 MonkeyCode 的免费模型访问。这样可以在调优 prompt 的同时将实验成本保持在零。

免费服务器选项也很重要。我不需要配置 runner，不需要保持 GPU 运行，也不需要维护一个本地端点。CI 作业只需调用一个简短的托管端点然后停止。

披露：本文是 MonkeyCode 产品推广的一部分。

其余的工作流是普通的 GitLab CI 和 Python。

该作业仅在合并请求上运行。它不会发布评论或合并任何内容。

它生成一个名为 diff-triage.md 的 Markdown 产物。

文件有三个部分：

跳过检查 — 如果 diff 少于 200 行新增或删除，则不调用模型。

离线分类 — 基于路径的启发式规则立即产生一个粗略的分类桶。

在线分类 — 选定的源码片段被发送到免费端点以获取语义风险标签。

每个文件获得一个标签：

• mechanical — 生成的、lockfile 或仅格式变更。
• test-only — 只有测试变更，没有源码变更。
• infrastructure — CI、Docker、配置。
• behavior-change — 可能影响运行时的源码。
• needs-human-eye — 模型不确定或文件匹配危险模式。

如果在线调用失败或超时，脚本会回退到离线模式。这样作业仍然可以完成。

这是 .gitlab-ci.yml：

stages:
  - triage

diff-triage:
  stage: triage
  image: python:3.12-slim
  rules:
    - if: $CI_PIPELINE_SOURCE == 'merge_request_event'
  variables:
    TARGET: $CI_MERGE_REQUEST_TARGET_BRANCH_NAME
  before_script:
    - git fetch origin $TARGET --depth=1
    - pip install --quiet requests
  script:
    - python diff_triage.py --target origin/$TARGET --mode ${TRIAGE_MODE:-offline}
  artifacts:
    paths:
      - diff-triage.md
    when: always

一旦准备好使用模型路径，在项目 CI/CD 变量中设置 TRIAGE_MODE=online。

脚本特意做得很小。离线分类器是确定性的且可运行的。在线传输是一个 stub，你可以替换为 MonkeyCode 的文档化请求格式，因为该格式可能会发生变化。

import os
import re
import subprocess
import sys
from pathlib import Path

DANGER_PATTERNS = [
    (r'(?i)(password|api[_-]?key|secret|token|bearer)', 'sensitive'),
    (r'(?i)(timeout|retry|rate[_-]?limit|circuit)', 'resilience'),
    (r'(?i)(auth|session|permission|role)', 'access-control'),
]

def run_git(target):
    diff = subprocess.run(
        ['git', 'diff', '--name-status', target + '...HEAD'],
        check=True,
        capture_output=True,
        text=True,
    ).stdout
    files = []
    for line in diff.splitlines():
        if not line.strip():
            continue
        parts = line.split('\t')
        status = parts[0]
        path = parts[1] if len(parts) > 1 else parts[0]
        files.append((status, path))
    return files

def total_changed(target):
    stat = subprocess.run(
        ['git', 'diff', '--numstat', target + '...HEAD'],
        check=True,
        capture_output=True,
        text=True,
    ).stdout
    added = deleted = 0
    for line in stat.splitlines():
        if not line.strip():
            continue
        try:
            a, d, _ = line.split('\t', 2)
            added += int(a) if a.isdigit() else 0
            deleted += int(d) if d.isdigit() else 0
        except ValueError:
            continue
    return added, deleted

def offline_label(status, path):
    p = path.lower()
    lockfiles = ['package-lock.json', 'yarn.lock', 'pnpm-lock.yaml', 'poetry.lock']
    if any(seg in p for seg in lockfiles):
        return ('mechanical', 'lockfile')
    if p.endswith(('.min.js', '.min.css', '.map')):
        return ('mechanical', 'generated')
    if any(seg in p for seg in ['.github/', 'dockerfile', '.gitlab-ci.yml', 'renovate']):
        return ('infrastructure', 'build or CI config')
    if p.startswith('test') or 'test' in p or p.endswith('.spec.js') or p.endswith('.test.py'):
        return ('test-only', 'test change')
    if p.endswith(('.yml', '.yaml', '.toml', '.json', '.ini', '.env')):
        return ('infrastructure', 'config file')
    return ('behavior-change', 'source file')

def redact(text):
    return re.sub(
        r'(?i)(password|api[_-]?key|secret|token|bearer)\s*[:=]\s*\S+',
        r'\1=<redacted>',
        text,
    )

def online_label(path, text):
    # Replace this stub with MonkeyCode's free endpoint request.
    # Return JSON with keys: kind, risk, reason.
    return {
        'kind': offline_label('M', path)[0],
        'risk': 'medium',
        'reason': 'online transport not configured; offline fallback used'
    }

def main():
    target = sys.argv[sys.argv.index('--target') + 1]
    mode = sys.argv[sys.argv.index('--mode') + 1]
    files = run_git(target)
    added, deleted = total_changed(target)
    output = ['# Diff triage', '']
    output.append(f'- files: {len(files)}')
    output.append(f'- added: {added}')
    output.append(f'- deleted: {deleted}')
    output.append('')

    if added + deleted < 200:
        output.append('Small diff. Skipping model triage. Review normally.')
        Path('diff-triage.md').write_text('\n'.join(output))
        return

    for status, path in files:
        kind, reason = offline_label(status, path)
        if any(re.search(pattern, path, re.IGNORECASE) for pattern, _ in DANGER_PATTERNS):
            kind = 'needs-human-eye'
            reason = 'danger pattern in path'
        risk = 'low'
        if kind == 'behavior-change':
            risk = 'high'
            if mode == 'online':
                text = subprocess.run(
                    ['git', 'diff', 'HEAD', '--', path],
                    check=True,
                    capture_output=True,
                    text=True,
                ).stdout
                redacted = redact(text)
                result = online_label(path, redacted[:4000])
                kind = result.get('kind', kind)
                risk = result.get('risk', risk)
                reason = result.get('reason', reason)
        output.append(f'## {path}')
        output.append(f'- st

最大的弱点是在线分类器。免费模型端点可能会受到速率限制或不可用。作业会回退，但回退的效果只和路径模式一样智能。

第二个弱点是截断。我在发送前将每个文件的 diff 限制在 4,000 个字符。如果一个文件有一个巨大的函数，这个限制比经典的 1,200 行 MR 更糟糕。设置这个限制是为了成本和隐私，而非为了准确性。

第三个弱点是标签不等于决策。risk: low 仍然可能隐藏一个 subtle bug。产物帮助确定优先级，但不表示批准。

谁不应该使用这个

如果满足以下情况，请跳过此工作流：

• 你的合规规则禁止将源码片段发送给第三方模型。
• 你的仓库包含受监管的代码、医疗数据、支付数据或客户密钥。
• 你期望模型取代人工审查。
• 你需要精确的 API 格式且不想维护一个小的适配层。

对于只需要区分机械变更和行为变更的团队来说，即使离线路径也可以节省真正的审查时间。

先试用离线模式。如果你已经有 MonkeyCode 免费账户，将一个合并请求切换到在线模式，并将标签与你的审查笔记对比。diff 产物变成了一张审查地图，而非一个神谕。