aiprreviewer：面向 GitHub PR 的 AI 自动化代码审查平台

246Sudankhanal/ai-code-reviewer · Automated AI-powered code review platform built with Next.js 16, TypeScript, Prisma, and Inngest to analyze GitHub PRs via vector embeddings and LLMs.

GitHub原文发布未知首次收录 2026-10-17上架 2026-10-17 07:00

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

这是一个基于 GitHub App 的自动化代码审查平台：用户通过 GitHub OAuth 登录并安装应用后，系统在 PR 提交时由 Inngest 后台调度任务，使用 OpenRouter 上的大模型生成行内评论与总结，并由第二个模型判断该评论是否值得发布；可选通过 Pinecone 建立仓库向量索引，使评论能够引用相关代码而非仅限 diff 内容。附带仪表盘用于管理已连接仓库、PR 状态与 Stripe 订阅计费。

# 向量嵌入 # LLM judges # 多模型路由 # GitHub App # AI 评分

核心能力与快速开始

★ 0 · TypeScript

能做什么: 集成 GitHub App 与 OAuth，在 PR 上自动生成行内代码审查评论与总结；使用第二个模型（judge）评估评论是否值得发布；可选将仓库索引进 Pinecone，使评论能引用 diff 之外的邻近代码；通过 Inngest 后台执行生成 → 评判 → 发布流程；提供仪表盘查看已连接仓库与 PR 状态，并支持基于 Stripe Checkout 的订阅计费。
适用场景: 为 GitHub 仓库的 Pull Request 提供自动化、自动筛选的代码审查意见；希望审查评论引用仓库上下文而非仅 diff 的团队；需要以订阅方式提供 AI 代码审查服务的场景。
项目形态: 可直接使用的工具
部署方式: 支持本地开发（复制 .env.example 并填充密钥、npm ci、prisma migrate deploy、npm run dev，另起终端运行 inngest:dev）以及 Docker / Compose 部署；生产 VPS 建议拉取 GHCR 镜像而非本地构建（小实例会 OOM），Compose 不自带 Postgres，需使用 Neon；数据库迁移在 GitHub Actions 中执行，容器只启动 Next.js。GitHub App 需配置 OAuth 回调、setup、Webhook、Stripe Webhook 与 Inngest 端点。
主要依赖: 需要自行配置的环境变量（见 .env.example），包括 Neon 的 DATABASE_URL；使用 GitHub OAuth / GitHub App；OpenRouter 作为模型提供方；Pinecone 用于可选向量索引；Stripe 用于计费；Inngest 用于后台任务；本地 Webhook 调试需 ngrok 等隧道工具。具体的模型名称、API 成本与配额未说明。
使用限制: README 未说明具体使用的模型、调用成本、速率限制、许可证条款与并发规模；部署方需自行准备并承担 GitHub、OpenRouter、Pinecone、Neon、Stripe 与 Inngest 等第三方服务的账号和费用，是否可免费或商用未说明；仓库许可证信息缺失。
许可证: 未说明
最近推送: 2026-10-16 08:44

官方入门核对 README 依据 ↗

资料检查：2026-10-17 07:00 · 卡片整理：2026-10-17 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

在 GitHub 上对 Pull Request 进行自动化代码审查：安装 GitHub App 后，PR 提交时由 Inngest 后台调度，使用 OpenRouter 上的大模型生成行内评论与总结，并由第二个模型判断评论是否值得发布；可选通过 Pinecone 建立仓库向量索引，使评论能够引用相关代码而非仅限 diff 内容。

查看内容依据

AI pull request reviews on GitHub. Install the app, open a PR, get an inline review plus a summary — with a second model judging whether the comment is worth posting.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

AI Career Intelligence Platform：基于语义向量匹配的招聘与求职智能平台

这是一个面向求职者与招聘方的 AI 招聘智能 SaaS 应用，结合 pgvector 与 Sentence Transformers 的语义向量嵌入，以及 spaCy 的 NLP 技能抽取，实现候选人与职位的智能匹配。平台提供求职者仪表盘（简历上传、动态匹配评分、生成式职业建议）和招聘方仪表盘（职位发布、可解释的候选人排名），并通过 Celery + Redis 进行异步处理，使用 JWT 进行安全认证。

ido_talent_ai：为 Frappe HRMS 招聘模块加入 AI 筛选与候选人排名

ido_talent_ai 是面向 Frappe/HRMS 的 Frappe 应用，将招聘模块连接到独立的 talent-engine 服务：通过 HTTP 调用 talent-engine，提供 AI 职位画像与筛选条件、职位申请人筛选、带证据的评估、候选人排名和 HR 审核界面。项目以新增 DocType、自定义字段、申请网页表单和 hooks 的方式实现，不修改 frappe、erpnext、hrms 自身代码。材料还强调“无同意不使用 AI”：未取得同意的申请不会发送到引擎，撤回同意后申请人会被移出排名，并清除评估、证据和 AI 字段。

mobium-evals：通过 MCP 驱动 Mobium 的 Android 智能体评测框架

mobium-evals 是一套评测框架，用于衡量固定模型通过 MCP 驱动 Mobium 在真实 Android 模拟器上完成任务的效果，评测结果依据设备自身状态判定，而非依赖智能体的自我陈述。项目包含 23 个 MobiumApp 任务（如登录、表单、滑块、弹层遮挡、WebView 表单等）和一个 Morpho Market 重构任务，并设有 reference、null、wrong 三类对照驱动与答案规则校验；还提供本地 Ollama 第二驱动、基于 llama3.1:8b 的答案二次判分，以及面向 Mobium 面向智能体接口（工具描述、错误提示、map 输出）的改进验证循环。仓库 README 给出了在 Android 15 模拟器上的基线结果。

eval-floor：检测 LLM 评测任务中零信息答案的得分基线

eval-floor 是一个评测完整性检验工具：它不调用任何模型，而是用一组不含题目信息的内容（空字符串、拒答、拼接所有标签、回显问题等）驱动 Inspect Evals 各任务的真实评分器和数据集，测量“无内容答案”能拿到多高分数，并与多数类基线对比。项目在 inspect_evals 0.24.0 上对 45 个可计数任务做了预先注册的确定性扫描，结果是 34 个健康、10 个因构造方式而天然并列、1 个因任务本身特性（bbh）被标记、0 个因评分器缺陷被标记；另有一个由模型判分的分支，对 7 个任务中的 3 个在 Wilson 95% 下界上标记，并给出判分模型不一致率作为对照。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。