被开价100万美金的AI代码审查工具我用零成本自己撸出来了

100万美金买一个代码审查工具，这价格听起来就像是那些给大厂做咨询的公司在抢钱。其实代码审查的核心逻辑就是让模型理解上下文、定位Bug并给出修正建议，只要把 Prompt 调好，结合一个简单的自动化脚本，完全没必要花那个冤枉钱。

我尝试用 Claude 3.5 Sonnet 配合一个简单的 Python 脚本实现了这个流程。逻辑很简单：通过 Git 钩子在提交代码前拦截 Diff 文件，把变更部分丢给模型，要求它按照特定的工程标准进行审查。

如果你也想搞一个，可以参考这个简单的实操流程：

一、编写审查指令
关键在于不能只让 AI 说“这里有问题”，得让它给出具体的修改方案和潜在风险。我用的提示词逻辑大概是这样：

你是一个资深的后端架构师。请审查以下 Git Diff 内容。
要求：
1. 忽略格式问题，只关注逻辑漏洞、性能瓶颈和安全隐患。
2. 如果发现问题，必须按照 [文件路径] -> [行号] -> [问题描述] -> [建议代码] 的格式输出。
3. 如果没有问题，直接回复 "LGTM"。

二、实现自动化拦截
写一个简单的 Shell 脚本放在 .git/hooks/pre-commit 里面，让它在每次 git commit 时自动触发。

#!/bin/bash
# 获取当前暂存区的变更
diff=$(git diff --cached)

if [ -z "$diff" ]; then
  exit 0
fi

# 调用 AI 接口（这里以简单的 curl 为例）
response=$(curl -s -X POST "https://api.anthropic.com/v1/messages" \
  -H "x-api-key: YOUR_API_KEY" \
  -H "content-type: application/json" \
  -d "{ \"model\": \"claude-3-5-sonnet-20240620\", \"max_tokens\": 1024, \"messages\": [{\"role\": \"user\", \"content\": \"$diff\"}] }")

echo "$response"

三、实际运行效果

• 逻辑漏洞检查： 比如在循环里写了数据库查询，AI 能立刻指出 N+1 问题。
• 边界条件： 比如忘记处理 null 指针或者空数组，它比人类同事反应快得多。
• 部署成本： 除了极少量的 Token 费用，几乎等于零。

说白了，很多昂贵的企业级 AI 工具其实就是给 API 套了个壳，再加个漂亮的 UI。对于懂一点编程的人来说，直接用 API 搭建工作流才是最高性价比的方案。