OpenCodeReview 阿里开源代码评审助手

OpenCodeReview 是什么

OpenCodeReview 是阿里巴巴开源的一款 AI 代码评审 CLI 工具。它最初是阿里内部的官方 AI 代码评审助手，两年间服务了数万名开发者、识别出数百万代码缺陷，经过大规模验证后开源。只需配置一个模型端点即可开始使用。

它的工作方式是：读取 Git diff，把变更文件交给具备工具调用能力的 LLM Agent，生成结构化、精确到行的评审意见。Agent 可以读取完整文件内容、检索代码库、查看其他变更文件以获取上下文，从而给出有深度的评审，而不只是停留在 diff 表面。

除了 diff 评审，ocr scan 还能对整份文件进行审查，适合审计陌生代码库或没有有效 diff 的目录。

核心设计：确定性工程 × Agent 混合

通用 Agent 的痛点

用 Claude Code 这类通用 Agent 配合 Skills 做代码评审，常见问题包括：

• 覆盖不全：变更集较大时 Agent 容易「偷懒」，只挑部分文件看。
• 位置漂移：报出的问题经常和实际代码位置对不上，行号或文件引用偏移。
• 质量不稳：自然语言驱动的 Skill 难以调试，提示词稍有变化质量就波动。

根因在于：纯语言驱动的架构对评审流程缺少硬约束。

确定性工程负责「不能出错」的环节

• 精确文件选择：明确哪些文件需要评审、哪些应被过滤，避免漏掉重要改动。
• 智能文件打包：把相关文件归入同一评审单元（例如 message_en.properties 与 message_zh.properties 打包在一起），每个包作为独立子 Agent 运行、上下文隔离，天然支持并发，在超大变更集上依然稳定。
• 细粒度规则匹配：根据文件特征匹配评审规则，让模型注意力聚焦，从源头消除信息噪声。相比纯语言驱动的规则引导，基于模板引擎的规则匹配更稳定、更可预测。
• 外部定位与反思模块：独立的评论定位与评论反思模块，系统性提升 AI 反馈的位置准确度与内容准确度。

Agent 负责动态决策

• 场景化提示词：针对代码评审深度优化的提示词模板，在提升效果的同时降低 Token 消耗。
• 动态上下文检索：按需读取完整文件、检索代码库、参考其他变更文件。

基准表现

项目基于 50 个热门开源仓库、200 个真实 Pull Request、10 种编程语言构建了真实场景基准，由 80 多位资深工程师交叉验证（1505 条标注的真实问题）。

在相同底层模型下，OpenCodeReview 相比通用 Agent（Claude Code）取得明显更高的 Precision 与 F1，同时 Token 消耗仅约 1/9，评审速度更快。需要注意的是，它的 Recall 低于通用 Agent——这是刻意为之的取舍，优先保证精度、减少噪声。

使用方式概览

典型流程是配置模型端点后，在仓库中运行 CLI，对当前分支的变更发起评审：

# 评审当前变更（示意，具体参数请以官方文档为准）
ocr review

# 对整份文件或目录做扫描审计
ocr scan <path>

工具支持 Windows、macOS、Linux，并可与 Claude Code、Codex、Cursor、Kimi Code 等 Agent 配合使用。

适合谁用

• 想把代码评审自动化接入 CI/CD 的工程团队。
• 需要统一安全与规范检查（NPE、线程安全、XSS、SQL 注入等）的项目。
• 面对大型变更集、希望评审覆盖完整且定位准确的团队。
• 已经在用 Agent 做评审、但受困于漏文件与行号漂移的开发者。