循序渐进实操 · 2026-10-29 · 本篇为 ”AI 代码评审 ” 系列第 4 篇（实操二），第 1 篇解读 · 第 2 篇选型 · 第 3 篇实操一 · 对应 Anthropic 七层的 L2（AI 评审）+ L3（安全门禁） · 前置：已完成实操一的四件套；第 2 篇选型定了路线（本篇以 $0 组合为主线，CodeRabbit 路线给等价操作）
写在前面
实操一把 ”PR 存在之前 ” 的验证环搭好了；本篇进入 PR 层——AI 评审 + 安全门禁双评审 ，外加两条从 Anthropic 文章里抄来的纪律：findings 必答制（每条发现要么修复要么带理由关闭，这是澄清误报的官方通道）与 轮次上限（agent 作者×agent 评审的 50 轮死循环，靠三条配置治住）。全篇以 $0 组合为主线（PR-Agent 自托管 + claude-code-security-review Action），CodeRabbit 用户的等价操作单独给注记。完成后你的仓库将拥有七层中的 L2+L3：每个 PR 先过 AI 评审、安全发现可阻断合并、评审收敛有上限。
一、总览：要装的两个组件与要配的三条纪律
组件：
1.
PR-Agent（自托管）——承担 L2 的 AI 评审：/review（找 bug）、/improve（建议改进），模型走你第 2 篇选的通道（本文用 deepseek-flash 示例）
2.
claude-code-security-review Action（官方开源，MIT）——承担 L3 的安全门禁：分析 diff 中的安全问题，发现未关闭则阻断合并
纪律（写进配置，不靠自觉）：
– findings 必答制——GitHub 分支保护开启 “Require conversation resolution before merging”
– 轮次上限——评审 prompt 里写死 ” 三轮后要求作者退一步重新考虑方法 ”，且复审只看新 diff
– 发现分级——Important / Nit / Pre-existing 三标签，风格类不进评论
二、组件一：PR-Agent 自托管接入
方案 a：GitHub Action 方式（最省事，密钥走仓库 Secrets）
.github/workflows/pr-agent.yml：
name: PR Agent
on:
pull_request:
types: [opened, reopened, ready_for_review]
issue_comment:
types: [created]
permissions:
pull-requests: write
issues: write
contents: write
jobs:
pr_agent_job:
runs-on: ubuntu-latest
if: ${{github.event.sender.type != 'Bot'}}
steps:
- uses: The-PR-Agent/pr-agent@main
env:
GITHUB_TOKEN: ${{secrets.GITHUB_TOKEN}}
OPENAI_API_KEY: ${{secrets.DEEPSEEK_API_KEY}}
OPENAI_API_BASE: "https://api.deepseek.com"
config.model: "deepseek-chat"
config.fallback_models: '["deepseek-chat"]'
pr_reviewer.extra_instructions: |
Follow REVIEW.md at repo root. Cite file:line for every finding.
Start summary with a count. Max 3 rounds; after that ask the
author to reconsider the approach. Re-review only the new diff.
pr_reviewer.num_max_findings: 6
（DEEPSEEK_API_KEY 存到仓库 Settings → Secrets；模型名按你 DeepSeek 控制台实际可用型号替换。）
方案 b：本地 / 自托管 docker-compose（隐私边界最紧）——PR-Agent 官方提供 docker-compose，跑在你自己的 runner 上，GitHub 只收 webhooks。适合 ”diff 不出内网 ” 的要求，配置同上，略。
验收：开一个测试 PR，bot 应在几分钟内留下以计数开头的评审评论（”3 findings: 2 Important, 1 Nit…”），且支持 /review、/improve、`/ask “…”“ 的评论指令。
三、组件二：安全门禁（可阻断）
.github/workflows/security-review.yml（基于官方 anthropics/claude-code-security-review，MIT）：
name: Security Review
on:
pull_request:
types: [opened, reopened, ready_for_review]
permissions:
contents: read
pull-requests: write
security-events: write
jobs:
security:
runs-on: ubuntu-latest
steps:
- uses: anthropics/claude-code-security-review@main
env:
ANTHROPIC_API_KEY: ${{secrets.ANTHROPIC_API_KEY}}
with:
comment-pr: true
让它 ” 能阻断 ”：仓库 Settings → Branches → Branch protection → 勾选 Require conversation resolution before merging，并把该 workflow 设为 required check（Settings → Branches → Require status checks）。效果即第 1 篇的 L3：安全发现未关闭 → PR 合并按钮灰掉；后续 commit 修好 → 自动解除。
（注意：此 Action 消耗 ANTHROPIC_API_KEY 的 token；纯 DeepSeek 预算的团队可改用 PR-Agent 的 /review 加安全 extra_instructions 替代，代价是没有专门的 CWE 知识库提示。）
四、三条纪律的落地
findings 必答制：上面 Branch protection 的勾选就是全部实现。补充一条团队规范进 CONTRIBUTING.md：关闭线程时写一句理由（”false positive: 该行为由上游校验覆盖 #issue”）——这正是第 1 篇说的 ”clear the false positive” 通道。
轮次上限：已在 pr_agent.yml 的 extra_instructions 里写死（Max 3 rounds + reconsider + diff-only）。PR-Agent 自身支持配置级正则过滤重复 finding；再配合 GitHub 的自动化（同一线程 bot 重复评论超过 3 次可加 workflow 自动 mark resolved），双保险。
发现分级：PR-Agent 的 /review 默认区分 severity；在 extra_instructions 里追加三标签映射（Important / Nit / Pre-existing），并要求 ”PR 未引入的问题标 Pre-existing，不计入作者 ”。
CodeRabbit 用户等价操作：Settings 里开启 path filters（对应 REVIEW.md 的 skip paths）、把 “REQUEST_CHANGES” 策略设为仅安全类（对应 L3 阻断）、learning 功能开启后它自己积累你的纠正（对应部分 L1 反馈环）。收敛控制上 CodeRabbit 默认每 PR 一轮，agent 作者场景注意别让自动化回复再触发它。
五、验证与调参
用一个故意带伤的 PR 验证全链路：
# 建测试分支，塞入三个典型问题
git checkout -b test/review-e2e
# 1) 硬编码密钥（安全评审应抓）echo 'API_KEY = "sk-live-1234567890"' >> src/config.ts
# 2) 错误处理缺失（AI 评审应抓 Important）# 在路由里直接 throw new Error(...)
# 3) 变量命名不一致（应为 Nit 级）git commit -am "test: review e2e" && git push
验收清单：① PR-Agent 评论以计数开头、按 Important/Nit 分级、引用 file:line；② security-review 的发现出现在 PR 且为 required check；③ 不修复时合并被阻断；④ 在某条评论里回复修复说明后线程可关闭；⑤ 同一 PR 连续触发 /review 三次，第三轮的回复里应出现 ” 仅评审新增 diff” 的行为。
调参经验 ：评审噪声偏高（Nit 太多）→ 在 extra_instructions 里收紧（”Only report issues that would cause bugs, data loss, or security problems”）；漏报偏高 → 放开 num_max_findings、加 Deep 模式（换 deepseek-v4-pro 当评审模型）； 任何调整都记录在 REVIEW.md 的变更史里——评审器的 prompt 就是你团队的评审政策，改政策要留痕。
六、成本账（第 1 篇欠的补上）
以本篇配置粗估（deepseek-flash 定价口径，实际以官方为准）：一个 500 行 diff 的 PR，/review 约 1 次大调用（输入含 diff+REVIEW.md+CLAUDE.md ≈ 10-20K tokens，输出 1-2K）；security-review 每次约 3-5 万 tokens（带 CWE 知识提示）。按每 PR 一次评审 + 一次安全扫描计，单 PR 成本约在 0.05-0.3 美元量级——百 PR/ 周的仓库月成本约 $20-120 的 token 费，仍远低于 CodeRabbit Pro 5 席的 $120/ 月，且隐私边界在自己手里。agent 作者高频触发场景（每 push 一评）要把这个数乘 3-5，轮次上限因此不是可选项是必需品。
七、小结与下一篇
本篇落地了 L2+L3：PR-Agent 承担 AI 评审（findings 计数式、分级、file:line），官方 Action 承担安全门禁（阻断 + 自动解除），三条纪律（必答制 / 轮次上限 / 发现分级）配置化落地；成本账补齐——$0 订阅 + 每 PR 几毛钱 token。验收五条全过即算 L2/L3 达标。下一篇（实操三·终篇）收尾 L4-L7：分支保护与 CODEOWNERS、手写风险分级表、回滚与轮次看板——把 ” 护栏指标 ” 变成你仓库里的两个数字。
参考与延伸
- 母篇：第 1 篇 · 七层架构精读 · 第 2 篇 · 选型 · 第 3 篇 · 仓库改造
- 工具：The-PR-Agent/pr-agent（13.7K⭐ MIT）· anthropics/claude-code-security-review（6.6K⭐ MIT）
- 同系列后续：第 5 篇（风险分级与度量，系列终篇）
by 飞熊 · yunying（增长运营官）· 配置片段以工具当前版本文档为准；成本估算基于 DeepSeek 官方定价口径，采用前自行复核