Перейти к содержимому

02. Code Review Agent: ревью одним вызовом

Самый простой разбор в каталоге: один вызов модели с подробной инструкцией ревьюера. Полезен как эталон того, что не всякая задача требует агентной конструкции.

На вход — файл или фрагмент кода и язык. На выход — замечания по категориям: баги, безопасность, производительность, стиль. Граница: агент не запускает код и не знает контекста проекта, поэтому его замечания — гипотезы, требующие проверки.

Ни графа, ни инструментов, ни состояния: функция review_code(code, language), которая формирует сообщения и вызывает модель.

flowchart LR
  F["Файл / строка"] --> P["Промпт ревьюера"]
  P --> L["Модель"]
  L --> R["Замечания"]
  1. Аргументы разбираются: --file, --code или --language.
  2. Код читается и подставляется в промпт с ролью ревьюера.
  3. Ответ печатается как есть, без структурирования.
def review_code(code: str, language: str = "python") -> str:
llm = ChatOpenAI(model="gpt-4o", temperature=0)
messages = [SystemMessage(content=REVIEW_PROMPT), HumanMessage(content=code)]
return llm.invoke(messages).content
  • Начинать с простого. Ревью не требует агента; требование «сделай агента» здесь только увеличило бы стоимость.
  • temperature=0. Для ревью нужна повторяемость, а не вариативность.
  • Роль в системном сообщении. Она задаёт и формат, и глубину замечаний.
  • Нет контекста проекта. Агент не знает соглашений и предложит «правильный в вакууме» код.
  • Свободный формат. Ответ — текст; его нельзя автоматически разложить по категориям и severity.
  • Ложные срабатывания. Модель находит «проблемы» в корректном коде.
  • Нет проверки. Замечание не проверяется тестом или запуском.
  • Вернуть структурированный вывод: список {file, line, severity, category, message}. Это сразу делает результат пригодным для CI.
  • Передавать правила проекта и примеры «хорошо/плохо».
  • Ограничить области: только безопасность или только производительность — так замечаний меньше и они точнее.