阿里开源Open Code Review：25.7K Star，AI代码审查工具实战指南
先说结果
阿里开源了内部用了2年的AI代码审查工具 Open Code Review，GitHub 25.7K Star。它采用"确定性工程+Agent"混合架构，不只看Diff还能检索整个代码库，Benchmark显示Precision和F1高于通用Agent，Token消耗仅1/9。本文从安装配置到CI集成，手把手教你用起来。
一、这是什么工具
Open Code Review（简称 OCR）是阿里集团内部官方 AI 代码审查助手的开源版本。过去两年，它在阿里内部服务了数万开发者，识别出数百万个代码缺陷。2025年正式开源，目前GitHub Star已突破25.7K。
它解决的核心痛点是：普通AI Agent做Code Review不靠谱——文件太多只看一部分、代码位置复杂评论对不上行号、上下文一长模型开始"偷懒"。Open Code Review用工程化手段把这些问题固定下来，让AI专注于理解和判断。
1
GitHub地址：https://github.com/alibaba/open-code-review
2
Star数：25.7K（截至2025年9月）
3
开源协议：Apache-2.0
4
支持平台：Windows / macOS / Linux
5
支持模型：Claude、Qwen、GLM、GPT、DeepSeek等（OpenAI & Anthropic兼容）
二、核心设计：确定性工程 × Agent 混合架构
Open Code Review最核心的设计理念是："该由程序保证的事情，不交给AI"。它把代码审查拆成两部分：
确定性工程——负责硬约束
1
精准的文件筛选：明确哪些文件需要审查、哪些应当过滤，确保真正重要的改动一个不漏
2
智能的文件打包：将关联文件归并为同一审查单元（比如 message_en.properties 和 message_zh.properties 打包在一起），每个包作为sub-agent并行审查
3
精细化规则匹配：针对不同文件的特征匹配对应的审查规则，确保模型注意力聚焦，从源头规避信息噪声干扰
4
外挂的规则与反思组件：独立的评论定位模块与评论反思模块，系统性提升AI反馈的位置准确性与内容准确性
Agent——负责动态决策
1
场景化提示词调优：针对代码审查场景深度优化提示词模板，在提升效果的同时有效降低Token消耗
2
场景化工具集沉淀：基于大量线上数据中工具调用轨迹的深入分析，沉淀出一套在代码审查场景下高效、行为可预期的专属工具集
这种混合架构的好处是：AI不需要自己决定"我要不要看这个文件"，系统已经把审查范围整理好了，AI可以把更多精力放在"这个改动到底有没有问题"上。
三、最厉害的地方：不会只盯着Diff
普通Code Review很容易陷入一个问题：你改了哪几行，AI就只看哪几行。但真实项目不是这样的。比如你修改了 user-service.java，真正的问题可能藏在 UserService → UserRepository → Database 的调用链中，甚至还可能影响另外一个配置文件。
Open Code Review的Agent不只是读取Git Diff，它还可以：
1
查看完整文件内容
2
搜索整个代码库
3
查看其他变更文件
4
获取相关上下文
5
最后给出行级评论
所以它更接近真正做一次代码审查，而不是简单地"让大模型总结一下这段Diff"。
四、Benchmark数据：精准度更高，Token仅1/9
官方公布了一组代码审查Benchmark，数据很扎实：
1
测试规模：50个热门开源仓库的200个真实Pull Request
2
覆盖语言：10种编程语言
3
标注人员：80+位资深工程师交叉标注
4
缺陷总数：1505个真实缺陷标注
5
数据集：Hugging Face上搜索 AACR-Bench
官方结果显示：在使用相同底层模型的情况下，Open Code Review相比通用Agent（Claude Code）：
Benchmark核心结论
Precision（准确率）更高：报告的问题中真正有效的比例更高，减少人工确认成本
F1更高：综合衡量审查质量的最佳单一指标更高
Token消耗约1/9：直接影响API使用成本
审查速度更快：决定CI流水线的等待时间
Recall（召回率）低于通用Agent：这是以精准度换取低噪声的设计取舍
F1更高：综合衡量审查质量的最佳单一指标更高
Token消耗约1/9：直接影响API使用成本
审查速度更快：决定CI流水线的等待时间
Recall（召回率）低于通用Agent：这是以精准度换取低噪声的设计取舍
对于Code Review来说，这个取舍非常重要。开发者最烦的事情之一就是："AI一口气报了20个问题，最后18个都是误报。"Open Code Review选择少报一点，但尽量让报出来的问题更靠谱。
五、安装与配置：5分钟上手
环境要求
Git ≥ 2.41，Node.js（用于npm安装）。
安装CLI
安装命令复制
npm install -g @alibaba-group/open-code-review
安装完成后运行以下命令确认：
验证安装复制
ocr version
配置AI模型
配置命令复制
ocr config provider
ocr config model
按照交互提示选择Provider、填写API Key和模型即可。支持Claude、Qwen、GLM、GPT、DeepSeek等主流模型。
六、使用方式：4种审查模式
模式1：工作区审查（最常用）
进入你的Git项目目录，直接运行：
工作区审查复制
cd your-project
ocr review
默认会检查 staged + unstaged + untracked 这些变更。
模式2：分支范围审查
分支审查复制
ocr review --from main --to feature-branch
评审 feature-branch 与 main 分叉后的变更（合并基准模式）。
模式3：单个提交审查
单提交审查复制
ocr review --commit abc123
模式4：全量文件扫描（无需Git历史）
全量扫描复制
# 扫描整个仓库
ocr scan
# 扫描指定目录或文件
ocr scan --path internal/agent
不需要Git Diff也可以拿它来做代码审计，适合老项目体检。
其他实用命令
实用命令复制
# 恢复中断的区间或单commit评审
ocr session list
ocr review --from main --to feature-branch --resume <session-id>
# 将结果输出到文件（AI宿主agent推荐）
ocr review --format json --output result.json
# 委托模式 - 让你的AI编程agent自己执行评审
ocr delegate preview
ocr delegate rule src/main.go src/handler.go
七、团队玩法：接入CI/CD
个人开发者"写代码 → ocr review → 修问题"的流程已经很好用。但团队真正应该关注的是让它自动进入Pull Request流程。
项目官方已经提供了GitHub Actions示例，流程可以变成：
1
开发者提交PR
2
GitHub Actions自动触发
3
Open Code Review分析Diff
4
自动生成Review Comment
5
开发者在PR下通过 /open-code-review 触发重新审查
这样一来，开发者提交代码之后，很多基础问题就可以先让AI过滤一遍，人工Review则可以把精力放到架构、业务逻辑和真正需要人判断的问题上。
八、与AI编程工具集成：Claude Code / Codex / Cursor
Open Code Review并不是只能自己运行。官方已经提供了 Claude Code、Codex、Cursor、OpenCode 等AI编程工具的集成方式。
更有意思的是委托模式。简单理解：你原本让Claude Code写代码，现在可以直接让它调用Open Code Review。流程变成：
委托模式工作流
AI写代码 → Open Code Review检查 → 发现问题 → AI继续修改 → 再次检查 → 直到通过
这样AI Coding Agent就不只是"写代码的人"，还多了一层"检查自己代码的人"的身份。形成自闭环的开发流程。
九、避坑提醒
避坑提醒
坑一：Git版本太低。要求Git ≥ 2.41，版本过低会导致文件筛选和Diff解析出错。先运行 git --version 确认。
坑二：模型配置不兼容。虽然支持多种模型，但不同模型的效果差异较大。建议先用Claude或Qwen-Max试跑，再根据效果调整。
坑三：大仓库直接全量扫描。ocr scan 会扫描整个仓库，大项目可能消耗大量Token和时间。建议先用 --path 指定目录试跑。
坑四：期望100%准确率。Benchmark显示Recall低于通用Agent，意味着它可能漏报一些问题。它是"第一道检查"，不是"替代人工Review"。
坑五：CI中不设Token上限。接入CI时建议设置Token消耗上限和超时时间，避免异常情况导致API费用暴增。
坑二：模型配置不兼容。虽然支持多种模型，但不同模型的效果差异较大。建议先用Claude或Qwen-Max试跑，再根据效果调整。
坑三：大仓库直接全量扫描。ocr scan 会扫描整个仓库，大项目可能消耗大量Token和时间。建议先用 --path 指定目录试跑。
坑四：期望100%准确率。Benchmark显示Recall低于通用Agent，意味着它可能漏报一些问题。它是"第一道检查"，不是"替代人工Review"。
坑五：CI中不设Token上限。接入CI时建议设置Token消耗上限和超时时间，避免异常情况导致API费用暴增。
AI Agent不应该什么事情都交给大模型决定。文件筛选、规则匹配、任务拆分、评论定位这些事情，可以用工程化手段把边界固定下来；而理解、推理、判断再交给AI。最终形成确定性的工程系统 + 灵活的AI Agent，这可能比单纯堆Prompt更值得开发者研究。
现在AI已经可以帮我们写代码，又开始帮我们审代码。你觉得以后程序员真正需要做的，会不会从"写代码的人"逐渐变成"管理AI写代码的人"？
作者声明：本作品含 AI 生成内容。信息来源：今日头条@前端Hardy（https://www.toutiao.com/article/7685575100107588096/），GitHub: alibaba/open-code-review。
2026-09-17 14:47:08
28 阅读
AI智能编辑DB
Open Code Review阿里开源AI代码审查Code Review开发者工具GitHub
最新文章
豆包工作AI MediaKit视频剪辑工具：20个命令覆盖剪辑全流程，云端异步处理大文件
2026-09-20
广西智慧万企传媒科技有限公司简称智慧万企,是一家为企业智慧经营全面赋能的营销科技公司。专注于企业智慧经营，业务包括RPA机器人流程自动化应用开发、RPA+AI超级营销，RPA+AI超新媒体，轻资产商业模式策划,智慧经营战略顶层设计等。
微信联系
