GitLab 中接入 AI Code Review 完整指南

优质文章学习记录

— 6 min read

GitLab 中接入 AI Code Review 完整指南

本文目标是为一个示例项目接入自动化 AI Code Review，效果是：

  • 开发者发起 Merge Request
  • GitLab 自动触发 MR Pipeline
  • Pipeline 调用 GLM-5
  • AI 自动把总评和可选的行内评论写回 MR

GitLab 官方说明，Merge request pipelines 可以在创建或更新 MR 时运行专门的 CI/CD 任务；CI/CD 任务由仓库根目录的 .gitlab-ci.yml 配置。(GitLab 文档)

一、最终效果与示例命名

为了避免和你的真实项目混淆，本文统一使用这些示例名称：

  • GitLab Group：example_team
  • GitLab Project：demo_ai_platform
  • GitLab 测试分支：test/ai-code-review-smoke
  • GitLab Runner 名称：ai-review-runner
  • GitLab 项目访问令牌名称：ai-review-bot
  • 测试文件：quicksort_demo.py

最终链路是：

开发者提交 MR → GitLab MR Pipeline 触发 → Runner 执行 Python 脚本 → 脚本读取 MR diff → 调用 GLM-5 → 通过 GitLab Discussions API 写回评论。 GitLab 的 Merge requests API 和 Discussions API 都支持这种自动化集成。(GitLab 文档)

二、开始前你需要准备什么

先准备 4 样东西：

  1. 一个 GitLab 项目，本文用 example_team/demo_ai_platform
  2. 一个可用的 GitLab Runner
  3. 一个 GitLab 项目访问令牌
  4. 一个智谱 GLM-5 的 API Key

GitLab 官方说明，项目访问令牌是项目级身份凭证，适合给自动化程序访问当前项目 API；GitLab Runner 负责执行 CI/CD job；而 GitLab CI/CD 变量会以环境变量的形式注入 job 运行环境。(GitLab 文档)

三、推荐的整体方案

对新手来说，最稳的方案不是先做 Webhook 服务，而是先做：

MR Pipeline + Python 脚本 + GitLab API + GLM-5

原因很简单：

  • 不需要公网回调地址
  • 不需要自建 Web 服务
  • 日志全部在 GitLab 里
  • 出问题更容易排查
  • 跑通后再升级成 webhook 方案也不难

GitLab 官方把 pipeline 作为 CI/CD 的基础机制，允许在创建 MR 等事件时自动运行。(GitLab 文档)

四、第一步：创建 GitLab 项目访问令牌

进入项目：

Settings → Access tokens

按下面填写：

  • Token name：ai-review-bot
  • Description：AI Code Review bot for Merge Request comments
  • Expiration date：先用 30 天或 90 天
  • Role：Developer
  • Scopes：只勾选 api

为什么这么选：

  • 这个 bot 要读取 MR、读取 diff、写 MR discussion，所以需要 API 权限。(GitLab 文档)
  • 用 Developer 通常够用，不建议一开始就给更高权限。
  • 令牌值只会在创建后展示一次，应该立即保存。(GitLab 文档)

建议把这个 token 记为：

GITLAB_API_TOKEN

五、第二步：在 GitLab 中配置 CI/CD Variables

进入：

Settings → CI/CD → Variables

需要创建这些变量。

1. 敏感变量

创建：

  • GITLAB_API_TOKEN
  • ZHIPU_API_KEY

建议设置为：

  • Type：Variable
  • Environment：All (default)
  • Visibility：Masked and hidden
  • Protect variable：不要勾选
  • Expand variable reference：不要勾选

GitLab 官方说明，变量可以设置为 Masked 或 Masked and hidden；隐藏后变量仍可在流水线中使用，但不能再在 UI 中显示原值。官方也说明，Protected variable 只会在受保护分支或标签的流水线中可用。(GitLab 文档)

2. 普通配置变量

创建：

  • REVIEW_MODEL=glm-5
  • REVIEW_INLINE=false
  • REVIEW_MAX_FILES=20
  • REVIEW_MAX_DIFF_CHARS=50000
  • REVIEW_MAX_COMMENTS=8

第一轮测试把 REVIEW_INLINE 设成 false，这样先只测AI 总评，不测更容易出错的行内评论。

如果你使用智谱默认通用端点，就不用创建 ZHIPU_BASE_URL。
如果你确实使用特殊编码端点，再补一个变量：

  • ZHIPU_BASE_URL=https://open.bigmodel.cn/api/paas/v4

智谱官方当前文档给出的对话补全接口是：

POST https://open.bigmodel.cn/api/paas/v4/chat/completions

并使用：

Authorization: Bearer <token>

认证。(智谱AI开放文档)

六、第三步：准备 GitLab Runner

GitLab 官方建议：Runner 最好安装在与 GitLab 实例不同的机器上，这是出于安全和性能考虑。(GitLab 文档)

但如果你只是测试或小规模使用，也可以在同一台 Ubuntu 22.04 机器上通过 Docker 运行 Runner。GitLab 官方支持把 Runner 作为 Docker 容器运行，并支持 Docker executor。(GitLab 文档)

1. 在 GitLab 中创建 Project Runner

进入：

Settings → CI/CD → Runners → Create project runner

建议这样填写：

  • Tags：留空
  • Run untagged jobs：勾选
  • Runner description：ai-review-runner
  • Paused：不勾
  • Protected：不勾
  • Lock to current projects：勾选
  • Maximum job timeout：留空

这样做的原因是：

  • 你的 job 默认没有写 tags:，所以 Runner 需要允许执行 untagged job。
  • MR 测试通常来自普通开发分支，Protected 容易导致任务跑不起来。
  • 锁定到当前项目更符合最小权限原则。

2. 在 Linux 机器上用 Docker 启动 Runner

在 Ubuntu 22.04 主机上执行：

sudomkdir-p /srv/gitlab-runner/config sudodocker pull gitlab/gitlab-runner:latest sudodocker run -d--name gitlab-runner --restart always \-v /srv/gitlab-runner/config:/etc/gitlab-runner \-v /var/run/docker.sock:/var/run/docker.sock \ gitlab/gitlab-runner:latest

GitLab 官方提供了这种容器化运行 Runner 的方式。(GitLab 文档)

3. 注册 Runner

在 GitLab 页面创建 Runner 后，会得到一个 glrt-... 开头的认证 token。

执行：

sudodockerexec-it gitlab-runner gitlab-runner register \ --non-interactive \--url"http://gitlab.example.local"\--token"<YOUR_RUNNER_TOKEN>"\--executor"docker"\ --docker-image "python:3.11-slim"\--description"ai-review-runner"

GitLab 官方文档说明，Runner 可以使用 register --executor "docker" 注册为 Docker executor。(GitLab 文档)

4. 建议把并发限制为 1

如果 Runner 和 GitLab 在同一台主机上运行，建议把 /srv/gitlab-runner/config/config.toml 里的并发改成：

concurrent = 1

这样更稳，避免 CI 作业和 GitLab 服务争抢资源。GitLab 官方强调 Runner 的安装与资源规划应考虑安全和性能。(GitLab 文档)

七、第四步：在仓库中放置两个关键文件

这两个文件必须放在Git 仓库中，不是放在 Runner 主机的系统目录里。

目录结构应为：

demo_ai_platform/ ├── .gitlab-ci.yml └── scripts/ └── ai_review.py

GitLab 官方说明，pipeline 由仓库根目录的 .gitlab-ci.yml 配置。(GitLab 文档)

八、.gitlab-ci.yml 完整示例

把下面内容保存为仓库根目录的 .gitlab-ci.yml：

workflow:rules:-if: $CI_PIPELINE_SOURCE == "merge_request_event" -when: never stages:- ai_review default:image: python:3.11-slim interruptible:truevariables:PIP_DISABLE_PIP_VERSION_CHECK:"1"PIP_NO_CACHE_DIR:"1"PYTHONUNBUFFERED:"1"ai_code_review:stage: ai_review before_script:- python -V - pip install requests script:- python scripts/ai_review.py rules:-if: $CI_PIPELINE_SOURCE == "merge_request_event" allow_failure:trueretry:1

这里最关键的是：

  • workflow: rules 限制只在 MR pipeline 中运行
  • job 名字叫 ai_code_review
  • 通过 python scripts/ai_review.py 执行审查逻辑

GitLab 官方文档说明，Merge request pipelines 需要使用 merge_request_event 规则来匹配 MR 事件。(GitLab 文档)

九、scripts/ai_review.py 完整示例

把下面内容保存为 scripts/ai_review.py：

import json import os import re import sys import time import textwrap from pathlib import Path from typing import Dict, List, Optional, Set import requests CI_API_V4_URL = os.environ["CI_API_V4_URL"].rstrip("/") PROJECT_ID = os.environ["CI_PROJECT_ID"] MR_IID = os.environ["CI_MERGE_REQUEST_IID"] GITLAB_TOKEN = os.environ["GITLAB_API_TOKEN"] ZHIPU_API_KEY = os.environ["ZHIPU_API_KEY"] MODEL = os.getenv("REVIEW_MODEL","glm-5") ZHIPU_BASE_URL = os.getenv("ZHIPU_BASE_URL","https://open.bigmodel.cn/api/paas/v4").rstrip("/") REVIEW_INLINE = os.getenv("REVIEW_INLINE","true").lower()=="true" MAX_FILES =int(os.getenv("REVIEW_MAX_FILES","20")) MAX_DIFF_CHARS =int(os.getenv("REVIEW_MAX_DIFF_CHARS","50000")) MAX_COMMENTS =int(os.getenv("REVIEW_MAX_COMMENTS","8")) SUMMARY_MARKER_PREFIX ="ai-review" CODE_EXTS ={ ".py",".js",".jsx",".ts",".tsx",".java",".go",".rb",".php",".c",".cc",".cpp",".h",".hpp",".cs",".kt",".rs",".swift",".scala",".sql",".yaml",".yml",".json",".sh",".bash",".zsh",".ps1",".vue",".css",".scss",".sass",".less",".xml",".toml",".ini",".conf",".proto",".gradle"} CODE_FILENAMES ={ "Dockerfile","dockerfile","Makefile","makefile","Jenkinsfile","pom.xml"} HUNK_RE = re.compile(r"^@@ -\d+(?:,\d+)? \+(\d+)(?:,(\d+))? @@")deflog(msg:str)->None:print(msg, flush=True)defrequest_with_retry( method:str, url:str,*, params: Optional[dict]=None, data: Optional[

Read more

WebGL基础教程(十三) :玩转矩阵，从 0 到 1 玩转 3D 动画（新手也能秒懂矩阵变换）

WebGL基础教程(十三) :玩转矩阵，从 0 到 1 玩转 3D 动画（新手也能秒懂矩阵变换）

还在被 WebGL 的矩阵搞得头大？想不通平移、旋转、缩放的矩阵怎么写，更不懂复合变换的顺序？ 今天这篇教程，全程围绕标准矩阵乘法展开，从基础矩阵原理到实战动画，手把手教你用纯矩阵写法实现 WebGL 平移、旋转、缩放，甚至用 gl-matrix 库实现炫酷的复合动画，新手也能跟着敲出效果，彻底搞懂矩阵在 WebGL 中的核心作用。 1.先搞懂：WebGL + 矩阵 = 3D 图形的灵魂 WebGL（Web Graphics Library）是浏览器原生的 3D/2D 渲染 API，无需插件、直接调用 GPU 加速 —— 但想要玩转 WebGL 动画，矩阵乘法是绕不开的核心！  核心优势（标准矩阵版） * 矩阵统一变换逻辑：平移、旋转、
Clawdbot（Moltbot）源码部署全实测：从环境搭建到 WebChat 验证，避坑指南收好

Clawdbot（Moltbot）源码部署全实测：从环境搭建到 WebChat 验证，避坑指南收好

一、为啥折腾 Clawdbot？ 最近刷技术圈总刷到 Clawdbot（后来也叫 Moltbot），说是能搭私人 AI 助手，支持 WhatsApp、Telegram 这些常用通道，还能跑在自己设备上，不用依赖第三方服务 —— 想着拉下来测试一下功能，顺便研究一下其源码的实现。 于是拉上 GitHub 仓库https://github.com/openclaw/openclaw，打算从源码部署试试，过程里踩了不少坑，干脆整理成记录，给同样想折腾的朋友避避坑。 二、源码部署前的准备：Windows 环境优先选 WSL2 一开始想直接用 Windows CMD 部署，结果装依赖时各种报错，查仓库文档才发现 Windows 推荐用 WSL2（Ubuntu/Debian 镜像就行），后续操作全在 WSL2 里完成： 1.

手把手教你：WebPlotDigitizer图像数字化工具安装与配置全指南

手把手教你：WebPlotDigitizer图像数字化工具安装与配置全指南 【免费下载链接】WebPlotDigitizerComputer vision assisted tool to extract numerical data from plot images. 项目地址: https://gitcode.com/gh_mirrors/web/WebPlotDigitizer 一、项目概览：认识开源数据提取利器 1.1 工具简介 WebPlotDigitizer是一款强大的图像数字化工具，能够从各类图表图片中自动提取数值数据。无论是科研论文中的实验曲线、工程报告里的趋势图表，还是历史文献中的手绘图形，都可以通过这款开源工具转化为可编辑的数字数据。作为开源可视化领域的实用工具，它支持XY坐标系、极坐标、三元图等多种图表类型，是科研工作者和数据分析爱好者的得力助手。 1.2 核心技术栈 * JavaScript：项目主要开发语言，负责实现图像分析和数据处理的核心逻辑 * HTML/CSS：构建用户交互界面 * Electron框架：可将网页打包为桌面应用的开发工
阿里开源纯前端浏览器自动化 PageAgent，[特殊字符] 浏览器自动化变天啦？

阿里开源纯前端浏览器自动化 PageAgent，[特殊字符] 浏览器自动化变天啦？

🤖 浏览器自动化变天了！从 Playwright 到 PageAgent，ZEEKLOG/掘金编辑器为何成了"拦路虎"？ 摘要：浏览器自动化正在经历从"脚本执行"到"智能代理"的范式转移。阿里开源的 PageAgent 让 AI"住进"网页，但面对 ZEEKLOG 的换行陷阱和掘金的 CodeMirror 黑盒，纯 DOM 自动化为何频频碰壁？本文深度解析技术演进与实战破局方案。 01 技术演进：三代浏览器自动化方案对比 浏览器自动化技术，正在经历一场从"机械执行"到"智能理解"的革命。