本文来自：
尹学峰 极狐(GitLab)高级解决方案架构师
💃 自从 ChatGPT 闪亮登场以来，各种基于它的软件扩展纷至沓来。爱折腾的极狐 GitLab 开发者们，也花式玩转起了 ChatGPT + 极狐 GitLab，让研发工作更高效。
今天，我们来看看如何让 ChatGPT 进行自动化的 MR 变更评审，Enjoy～
一、原理说明
如上图所示：
1. 当极狐 GitLab 有代码变更时（创建 MR），通过 webhook 发送事件消息到 ai-code-review App；
2. 当 ai-code-review App 收到消息后，发送 Review Reqeust 到 ChatGPT（调用 ChatGPT 的 API）；
3. ChatGPT 将 Code Review 结果以 Review Response 形式返回；
4. ai-code-review 收到 Review Response 后，将内容（Review Comment）发送到极狐 GitLab 的 MR 中。
二、快速上手指南
1. ai-code-review 环境
即上图中紫色机器，需要满足基本条件：
1.1 Linux / MacOS / *Unix
Docker 安装
如已经安装 Docker 可忽略此章节。
安装脚本如下：
curl -fsSL https://get.docker.com | bash -s docker
复制代码
运行程序
使用如下命令。注意，需要修改其中 3 个 Token/License 参数为实际参数：
docker run -itd -p 8888:8888 \--restart=always \--name ai-code-review \-e gitlab_private_token="<你的GitLab Token>" \-e language="Chinese" \-e openai_api_key="<你的OpenAI Token>" \-e acr_license="test" \satomic/ai-code-review:20230321
复制代码
2. 极狐 GitLab Webhook 配置
在极狐 GitLab 中，进行 AI code review 的 group 或 project 配置，以 project 为例，建议使用 group 级别的 webhook，这样 group 内的所有项目的 MR 都会被 AI 审查，无需为每个 project 重复配置，配置方式与 project 相同：
每次合并请求产生及变化时，都会看到发送记录 ：
3. ChatGPT 评审效果
Review 效果如下，更多可访问 Public 演示仓库 AI 自动 MR 评审演示。
三、定义自己的评审机器人
前文中的自动化评审机器人封装在 docker 镜像中🤖，其角色声明为：
{ "role": "system", "content": "你是是一位资深编程专家，负责代码变更的审查工作。需要给出审查建议。在建议的开始需明确对此代码变更给出「拒绝」或「接受」的决定，并且以格式「变更评分：实际的分数」给变更打分，分数区间为0~100分。然后，以精炼的语言、严厉的语气指出存在的问题。如果你觉得必要的情况下，可直接给出修改后的内容。建议中的语句可以使用emoji结尾。你的反馈内容必须使用严谨的markdown格式。"}
复制代码
所以机器人讲话很没有感情，如果想 “注入感情”🎨，则需要定义自己的评审机器人，比如希望是一个傲娇少女👧来评审，参考如下角色声明：
{ "role": "system", "content": "你是一个天才小女孩，精通编程工作，性格很傲娇又高傲，负责对前辈的代码变更进行审查，用后辈的态度、活泼轻快的方式的指出存在的问题。使用markdown格式。可以包含emoji。"}
复制代码
按照这样的角色声明，评审的效果是这样：
💁♀️下面，基于如下源码创造自己的傲娇评审少女吧~
创建 ai_code_review.py 文件，内容如下：
# coding=utf-8
import gitlabimport openai
class AICodeReview(): def __init__(self, gitlab_private_token, project_id, merge_request_id, openai_api_key, gitlab_server_url='https://jihulab.com', ): self.gl = gitlab.Gitlab( gitlab_server_url, private_token=gitlab_private_token, timeout=300, api_version='4' ) print('初始化GitLab连接成功') # project self.project_id = project_id self.project = self.gl.projects.get(project_id) print('找到project') # mr self.merge_request_id = merge_request_id self.merge_request = self.project.mergerequests.get(merge_request_id) print('找到mr') # changes self.changes = self.merge_request.changes() # openai openai.api_key = openai_api_key # comments self.review_notes = [] # note self.note = '' def ai_code_review(self): print('开始code review') for change in self.changes['changes']: # https://platform.openai.com/docs/guides/chat/introduction messages = [ {"role": "system", "content": "你是是一位资深编程专家，负责代码变更的审查工作。需要给出审查建议。在建议的开始需明确对此代码变更给出「拒绝」或「接受」的决定，并且以格式「变更评分：实际的分数」给变更打分，分数区间为0~100分。然后，以精炼的语言、严厉的语气指出存在的问题。如果你觉得必要的情况下，可直接给出修改后的内容。建议中的语句可以使用emoji结尾。你的反馈内容必须使用严谨的markdown格式。" }, {"role": "user", "content": f"请review这部分代码变更{change}", }, ]
print('思考中...') response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages, ) new_path = change['new_path'] print(f'对 {new_path} review中...') response_content = response['choices'][0]['message']['content'].replace('\n\n', '\n') total_tokens = response['usage']['total_tokens']
review_note = f'# `{new_path}`' + '\n\n' review_note += f'({total_tokens} tokens) {"AI review 意见如下:" }' + '\n\n' review_note += response_content self.review_notes.append(review_note)
def comment(self, notice=None): if notice is None: review_note = '\n\n---\n\n'.join(self.review_notes) self.note = {'body': review_note} self.merge_request.notes.create(self.note) print('review内容', self.note) print('review完成') else: self.note = {'body': notice} self.merge_request.notes.create(self.note) print(notice)
复制代码
核心函数说明：
单次评审的使用方式如下，只要传递对应参数即可。实际使用中，可以在外层封装 HTTP Server，接收 MR 创建/更新的 Webhook 推送的 Json 对象，解析内容并自动进行 AICodeReview 对象的实例化及动作。
acr = AICodeReview( gitlab_server_url=<你的GitLab地址>, gitlab_private_token=<你的GitLab private_token>, project_id=<project_id>, merge_request_id=<merge_request_id>, openai_api_key=<openai_api_key>,)acr.ai_code_review()acr.comment()
复制代码
完成了上述内容，你就可以让 ChatGPT 自动来进行 MR 变更评审啦。
评论