本文介绍如何利用本地大模型(qwen3-coder:30b)构建AI代码审查系统，解决疫情后团队人力不足问题。通过Ollama搭建本地模型服务，用Go编写静态编译程序提取Git diff信息并调用模型评估，集成到Gitea CI/CD工作流中。实验证明，该系统可有效识别代码漏洞和问题，提供改进建议，通过Pull Request流程实现高危代码拦截，4090显卡下30b模型可秒级完成审核，显著提升代码质量和开发效率。
需求来源
疫情后对产品研发工作的最大影响，是随着经济下行，公司在不停地裁员，导致研发团队人力资源严重不足。 事情多得做不完，过去还在定期组织的质量控制手段–code review，现在也忙得没有时间组织了。
早就听说*-coder系列开源大模型在编码方便挺强悍，于是决定尝试使用本地大模型加入到CICD流程中，在团队提交代码的时候，由AI进行code review工作。
计划
我们的源代码管理环境使用gitea，只要配置workflow工作流就可以了。在工作流中把diff信息交给本地编程大模型进行评估，并把结果输出，根据结果决定后续行为。
所以，我们需要：
- 一个workflow配置文件
- 一个程序负责提取diff并调用到模型并反馈结果
- 一个本地大模型服务
我们倒序进行实现。
本地编程大模型服务
参考[《LLM：使用Ollama访问本地大模型》]，我们使用Ollama搭建本地编程大模型服务。
curl -fsSL https://ollama.com/install.sh | sh ollama serve编程大模型这里选择口碑极好的qwen3-coder:30b
ollama pull qwen3-coder:30b代码检测程序
使用Python调用ollama非常容易，但是考虑到gitea的runner是一个docker环境，在同一的镜像中，运行Python和相关的库需要从网络拉取依赖包会导致一些麻烦。所以这里使用go静态编译，直接生成一个bin文件放在本地文件服务器上，runner直接拉取一个bin就可以工作，不需要任何依赖环境，流程更简洁速度也更快。
定义本地ollama地址和模型
var ( ollamaURL = getEnv("OLLAMA_ENDPOINT", "http://ai.internal:11434") model = "qwen3-coder:30b" )获取diff信息：
func getGitDiff() (string, error) { cmd := exec.Command("git", "diff", "HEAD^", "HEAD") output, err := cmd.Output() if err != nil { return "", fmt.Errorf("获取 git diff 失败: %w", err) } return string(output), nil }最后传递这样一个提示词
你是一个代码质量审查专家。请分析以下 Git Diff 代码变更，并严格按 JSON 格式返回结果。JSON 格式要求：{{ "score": (0-100的整数，代表代码质量和安全性), "summary": "简短的总结", "risks": ["风险点1", "风险点2"], "suggestions": ["改进建议1"]}}代码变更内容：{diff_text}静态编译后，放置在本地文件服务器上
CGO_ENABLED=0 GOOS=linux GOARCH=amd64 go build -o ai-codereview ai-codereview.go rsync -vhP ai-codereview user@fileserver:/gitea/action/在工作流中加入AI代码审查
现在万事俱备，只欠东风。先找一个不那么重要的项目进行实验，比如testcase项目，
首先在gitea的设置的action中，添加变量
OLLAMA_ENDPOINT=http://ai.internal:11434
然后创建工作流
# 创建工作流mkdir -p .gitea/workflowstouch ai-codereview.yaml在jobs中添加流程：
- name:AI Code Review env: OLLAMA_ENDPOINT:${{ secrets.OLLAMA_ENDPOINT }} run:| curl -sSL http://10.0.1.1/gitea/action/ai-codereview -o /tmp/ai-codereview chmod +x /tmp/ai-codereview /tmp/ai-codereview 2>&1 | tee ai_report.log提交代码，这个项目就已经具有AI智能代码审核功能了。
本次提交的AI评审报告：
---AI评审报告---得分:75总结:代码变更引入了新的AI审核机制，通过调用ollama模型进行代码质量分析。整体结构清晰，但存在安全和可维护性风险。风险:使用硬编码的默认 ollama 地址可能导致配置错误或安全漏洞，从外部 URL 下载可执行文件(/tmp/ai-codereview)存在执行未验证代码的风险，未对AI返回结果做充分校验，可能影响审核逻辑的准确性[结果] ✅ 代码质量合格。验证
创建TUI的helloword代码，提交
--- AI 评审报告 ---得分: 65总结: 代码功能变更但存在安全隐患和可读性问题风险: 使用了非ASCII字符和特殊符号，可能导致终端显示异常或编码问题, 代码可读性差，难以维护和理解原始功能意图[结果] ✅ 代码质量合格。给项目增加个README
--- AI 评审报告 ---得分: 100总结: 本次变更主要涉及工作流名称的修改和README文件的更新，均为非核心代码变更，无安全风险。风险: [结果] ✅ 代码质量合格。下面编写一个存在CVE漏洞的代码并提交，得到：
--- AI 评审报告 ---得分: 35总结: 代码存在严重安全漏洞，包括路径遍历攻击和不安全的文件操作风险: 路径遍历攻击漏洞：直接使用用户输入的文件名拼接路径，可访问任意文件, 使用已废弃的ioutil.ReadFile函数：应使用os.ReadFile替代, 缺少输入验证和过滤：未对用户输入进行任何安全检查[结果] ❌ 代码质量未达标，拒绝合并！实际效果达到预期
高危代码阻断工作流
上述实验中使用的方法是通过Push 触发的 Action，代码是进入仓库后才执行的审核，无法实现高危代码拦截。 可以通过gitea的Pull Request工作流（简称PR）来实现合并代码前拦截，思路如下。
- 禁止直接 push 到 main 分支
- 强制通过 PR 合并代码
- PR 触发 AI 审核，审核通过才合并到main
在gitea的设置/分支中，做如下设置：
- main分支禁止直接 push
开发流程稍作调整，本地在分支上开发，提交后创建PR，并由AI进行审核，审核通过后才可以合并到main
改进后的流程如下：
开发者 → feature分支 → 创建PR到main → 触发AI审核 → 通过才能合并 ↓ 失败则阻止合并这样就可以防止高危代码进入main分支了。
结论
一些toB的AI商业产品也在做类似的事情，其实自己做一个实现也并不复杂。
实验证明，本地离线大模型确实可以识别风险代码，并对代码问题提出有价值的改进建议，使用4090显卡的话，30b大模型可以秒级完成代码审核（测试代码改动幅度小于一屏的条件下），完全值得你把它放到CICD流程中来。
最后，用AI给AI审核员生成一个形象：
A photorealistic image of an 18-year-old Asian code reviewer girl in a high-tech office, with a futuristic background.
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
)
