CodeCritic Review：为 GitHub Actions 中的拉取请求提供 AI 代码审查

CodeCritic-Reviews/review-action · AI-powered pull request code review for GitHub Actions. Posts findings to PRs, optional merge gates on severity.

GitHub原文发布未知首次收录 2026-10-19上架 2026-10-19 07:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

CodeCritic Review 是一个 GitHub Actions 动作，在拉取请求 opening 或 synchronization（打开或同步）时调用 CodeCritic API 进行 AI 代码审查，并将审查摘要作为 PR 评论发布。它提供 review_id、0-100 的质量分数和 final status 输出；可按配置等待完成，或将分数用于后续步骤，并据此设置合并门槛。材料也说明这是 AI 生成结果，可能存在误报或漏报，不能替代人工审查或专业安全审计，并且不执行代码、不访问运行时行为。

# LLM # 代码审查 # GitHub Actions # CI/CD # 代码质量

核心能力与快速开始

★ 0 · Shell

能做什么: 在 GitHub Actions 中读取 PR 元数据并发送到 CodeCritic 做 AI 代码审查；将结果作为 PR 评论发布；输出 review_id、0-100 分数和 completed/failed/timeout 状态；支持设置超时、是否等待完成、是否发布评论；分数可用于后续步骤判定。
适用场景: 团队希望在 PR 打开或更新时自动获得 AI 审查摘要；在 CI 中用质量分数做阈值检查作为合并门槛；对大型 PR 采用 fire-and-forget 模式。
项目形态: 可直接使用的工具
部署方式: 以 GitHub Actions 工作流方式运行，工作流示例使用 ubuntu-latest；代码审查请求发送到 api.code-critic.com，需配置 CodeCritic API key。
主要依赖: 需要 CodeCritic 账户与 API key（仓库 secret CODECRITIC_API_KEY）；工作流需要 contents: read 和 pull-requests: write 权限；材料提及可创建免费账户，但未说明审查服务的完整费用或额度限制。
使用限制: AI 审查结果可能不准确、存在误报/漏报，不能替代人工审查或专业安全审计；不执行代码，不访问运行时行为和日志，无法分析二进制文件、图片或非文本内容；审查质量受 AI 模型、代码复杂度和 diff 上下文影响。
许可证: MIT
最近推送: 2026-10-18 19:52

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-19 07:00 · 卡片整理：2026-10-19 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 Actions 中为拉取请求自动执行 AI 代码审查，将审查摘要作为 PR 评论发布，并输出 0-100 质量分数，可用于设置合并门槛或后续步骤判断。

查看内容依据

CodeCritic Review 是一个 GitHub Actions 动作，在拉取请求 opening 或 synchronization（打开或同步）时调用 CodeCritic API 进行 AI 代码审查，并将审查摘要作为 PR 评论发布。

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

Revera：基于双模型校验的 GitHub 拉取请求 AI 代码审查工具

Revera 是一个用 Rust 编写的开源代码审查工具，使用用户自行选择的 AI 模型审查 GitHub 拉取请求。它采用调查者与验证者两阶段流程：调查者阅读变更并提出缺陷候选，验证者则在全新会话中重新从代码中独立确认每条发现，才允许发布，以减少未经验证的误报。支持 OpenAI 兼容端点、OpenAI Responses、Anthropic 和 Google Gemini，可为不同角色分别配置供应商与模型，并支持有序的备用模型。可自托管为 GitHub App（支持 @mention 触发、quick/deep 模式）、GitHub Action 或本地 CLI，并能在多次推送间跟踪发现的修复与重开。仅支持 GitHub 作为发布目标，无托管服务，需自行部署并直接向模型供应商付费；README 说明其评估样本较小，仍可能漏报或误接受错误发现，需要人工审查。

disensor：对抗式跨模型 AI 代码审查与残留声明的 CLI 与 CI 门禁

disensor 是一个 Python CLI 与 GitHub Action，用于实现“受控分歧”（controlled disagreement）方法的对抗式跨模型 AI 代码审查：一个模型生成、另一模型族攻击、生成方逐条核验，循环以每条发现被解决、以证据反驳或升级给人收尾。其核心产物是 JSON 残留声明（residue declaration），记录每轮审查事件如何结束，包括各发现的终结状态以及本轮无法自行闭合、需依赖人判断的“残留”，并配套 JSON Schema（residue/v0.4）、校验规则 R0–R13、CI 门禁检查 G1–G9、PR 评论渲染、自包含 HTML 残留报告、仓库脚手架与填充指南。工具提供 round 编排、reviewer 注册与离线探测、prompt 与 pack 打包、validate 与 gate 本地复现 CI 判定等子命令。

test-ci-cd：用 LLM 与图库 API 每小时自动刷新照片画廊

一个基于 Next.js 的照片画廊项目，通过 GitHub Actions 每小时自动运行：先随机选择主题，再由 Groq 上的 LLM 生成搜索提示词，调用 Pexels 图片 API 获取照片并写入 gallery.json 提交到 main 分支，随后触发 CI 校验并重新构建镜像发布到 GHCR。项目使用 Next.js 16 App Router、React 19、TypeScript、StyleX 与 Feature-Sliced Design 组织代码，支持多语言路由，图片与提示词来源需标注 Pexels 与 Groq。

mergeCraft：BYOK 的 AI 代码审查 GitHub Action

mergeCraft 是一个开源（MIT）的独立 GitHub Action，用于在拉取请求（PR）上执行 AI 代码审查。它采用 BYOK（自带密钥）模式，可接入 Claude Pro/Max、ChatGPT 订阅、API 密钥或任意 OpenAI 兼容端点，无需 SaaS 账号或自建后端。其审查流程先由确定性分析器处理机械可验证的事实，再由 LLM 判断剩余问题，并在发布每个 Critical/Major 发现前由只读验证器复核。审查结果以类型化发现（typed findings）呈现，驱动行内评论、mergecraft-approval 检查以及可选的 SARIF 上传；支持信任层级（trust tier）、政策驱动的合并门禁、契约化退出码和 JSONL 事件流，也可通过 CLI 审查本地 diff、worktree 或克隆仓库，并对外提供只读 MCP 工具。

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。