AI 资源库 · 已整理 9 项

ai-code-review

查看与ai-code-review相关的 AI 资讯、工具、Skill、工作流和开源项目。

DiffPrism:面向代理生成代码变更的 AI 代码审查工具

CodeJonesW/diffprism · AI powered code review for agent-generated changes.

DiffPrism 是一个基于 TypeScript 的 AI 代码审查工具,用于审查 GitHub PR 以及本地代理生成的代码变更。用户可粘贴 PR 链接,在浏览器中查看语法高亮 diff,并通过 Claude Code 或 Cursor 对任意行、文件提问;AI 可获取 PR head 版本完整代码库上下文而非仅 diff。它通过 14 个 MCP 工具与 AI 代理交互,支持行内标注、线程回复、Review dojo 多代理评审,以及 pre-commit 提交门禁。

☆ 收藏查看来源 ↗

pair-review:AI 辅助人工代码评审的本地 Web 应用

in-the-loop-labs/pair-review · AI assisted code review with a human in the loop

pair-review 是一个本地优先的 Web 应用,用于在 AI 编码代理与人工评审之间保持闭环。它提供类似 GitHub 的 diff 界面,支持对 PR 或本地未提交改动逐文件逐行评论,并可选触发三层 AI 分析生成建议,由人工采纳、修改或丢弃后再以 Markdown 形式导回编码代理,或直接提交到 GitHub。项目支持多种 AI 提供商与 MCP 集成,数据与处理均在本地完成。

☆ 收藏查看来源 ↗

LLMScanBench 2026 年第三季度:如何选择正确的 AI 安全方案

安全公司 Harness 做了一次基准测试,比较两类查代码漏洞的 AI 工具:直接让大模型扫描代码的“LLM 扫描器”,以及传统扫描器加 AI 复核结果的方式。测试发现,LLM 扫描器误报少(准确率高),但漏报严重,很多真漏洞没找到;同一份没改过的代码重复扫描,结果、耗时和花费都不一样。它还比传统方案慢 1.6 到 37 倍、贵 6 到 39 倍。因此 Harness 建议:LLM 扫描可用于渗透测试和关键应用的定期深度扫描,日常代码提交的持续扫描还是用传统扫描器加 AI 复核更稳、更省。

文中可用工具

  • GPT-5.5参与测试的 OpenAI 大模型,用于扫描代码漏洞
  • Claude Opus 4.8参与测试的 Anthropic 大模型,用于扫描代码漏洞
  • Harness AI SASTHarness 自家的 AI 静态代码扫描工具,作为对比基线
  • OpenAI Codex Security提供统一的安全提示词(harness),用于所有被测模型
  • OWASP WebGoat用于测试的故意含漏洞的 Java 训练应用
  • OWASP Juice Shop用于测试的故意含漏洞的 Web 应用
  • OWASP Benchmark for Java用于测试的 Java 漏洞基准测试项目
☆ 收藏查看来源 ↗

寒霜破甲工具:面向多款 AI 编程客户端的提示词注入工具

aimeoa/hanshuang-codex · 针对GPT 6.0,workbuddyV4.1flash的破甲实验项目

寒霜破甲工具(免费版)是一个基于 Electron 的桌面应用,通过调用 PowerShell 脚本,向 Codex、ZCode、Cursor、Claude、WorkBuddy 国际版/国内版、DeepSeek Harness、豆包等八类 AI 客户端注入自定义提示词与记忆内容,并提供安装、卸载与备份还原能力。项目使用 MIT 许可证,界面移植自 PI-Desktop 设计系统,功能由 electron/main.cjs 调度本地 PowerShell 脚本实现,可打包为 NSIS 安装版、便携版或免安装版。

☆ 收藏查看来源 ↗

CopilotWS-Desktop:Windows 桌面端 AI 编程工作台

Jimboocher3373/CopilotWS-Desktop---Copilot-Workspace-2026 · Supercharge development with AI task planning, multi-file editing, PR generation, and Code Review all in one Windows desktop workspace.

CopilotWS-Desktop 是一款面向 Windows 的桌面应用,将 AI 任务规划、多文件编辑、自动生成 Pull Request、Issue 解决方案建议和代码审查整合在同一个工作区中。用户可以用自然语言描述目标,由 AI 生成分步计划,并在编辑多个文件时获得辅助,最后生成 PR;支持连接 GitHub 同步项目,并提供工作区管理与常见问题排查说明。

☆ 收藏查看来源 ↗

AgentsKit Code Review:低噪音 AI 代码评审 CLI 与 GitHub Action

AgentsKit-io/code-review · Deep, low-noise AI code review — CLI + GitHub Action over the AgentsKit code-review agent

AgentsKit Code Review 是一个基于 AgentsKit code-review agent 的 AI 代码评审工具,提供命令行和 GitHub Action 两种使用方式。它通过七个评审视角提出潜在问题,并以对抗式验证投票过滤较弱发现,以降低噪音;支持自带模型(Claude、Codex、OpenAI、Gemini、Ollama、OpenRouter 等适配器),可本地审 diff、读取 stdin 或在 GitHub PR 上发布内联评论,并提供文件预算、并发、阈值、截止时间和计划(--plan --json)等成本与策略控制。

☆ 收藏查看来源 ↗

review-pro:面向编码 Agent 的仓库感知 AI 代码审查系统

tufantunc/review-pro · Repository-aware AI code review for coding agents — triage → 13 specialist reviewers → synthesis. Reviews what the agent changed and what the repo already knew. Claude Code, opencode, Cursor, Codex.

review-pro 是一个开源的仓库感知代码审查系统,面向 Claude Code、opencode、Cursor、Codex 等编码代理。它先对 diff 做分类,只调度十三类专用审查者中相关的那些并行审查,每个审查者都必须在仓库文件中定位证据;随后由综合阶段去重、按领域归属消解冲突、校准严重程度,输出 BLOCK / REQUEST CHANGES / APPROVE 单一结论,并对 Medium 及以上问题派独立代理尝试反驳验证。它还支持通过 .review-pro/ 安装技术栈包(TypeScript/React、Python、Go、Rust、Next.js、WordPress 等)和编写仓库规则(含 co-change 规则),以捕捉 diff 未触及文件中已经存在的约定,例如事故后加的防护或规范化的辅助函数。

☆ 收藏查看来源 ↗

code-reviewer:本地优先的 AI 代码审查 CLI 与 pre-push 钩子

OpticDiff/code-reviewer · Fast, local-first AI code review CLI & pre-push hook for GitHub PRs and GitLab MRs. Multi-model consensus, Tree-sitter context, SARIF, and zero lock-in.

code-reviewer 是一个用 Go 编写的本地优先 AI 代码审查命令行工具,可作为 Git pre-push 钩子,也能在 GitHub PR 与 GitLab MR 的 CI 流程中运行。它通过 Tree-sitter 提取仓库感知的 AST 上下文,支持多模型共识过滤以减少噪音、内容寻址 diff 缓存加速重复审查、增量审查与提交触发全量重审,并可输出 ANSI 终端结果、GitHub 内联评论、GitLab 讨论与草稿笔记以及 SARIF 2.1.0 / GitLab SAST 安全报告。模型侧可对接 Ollama、vLLM 等本地端点,也可使用 Vertex AI(Gemini、Claude)、AWS Bedrock(经 LiteLLM)和 OpenAI 兼容端点,支持自定义提示词、平台治理配置、审计日志与 SHA 固定的安全自动批准。

☆ 收藏查看来源 ↗

SecLab Taskflow Agent:声明式 YAML 驱动的多智能体安全工作流框架

GitHubSecurityLab/seclab-taskflow-agent · GitHub Security Lab Taskflow Agent

GitHub Security Lab 推出的 MCP 多智能体框架,通过 GitHub Workflow 风格的 YAML 语法声明式定义智能体工作流,无需编写代码即可用 CLI 编排多个 Agent 与工具协作完成任务。基于 OpenAI Agents SDK 构建,使用 Pydantic 做语法校验、Jinja2 做模板渲染;智能体由 personalities 定义、接收 taskflow 任务、调用 toolbox 中的工具。支持 Chat Completions 与 Responses 两种 OpenAI API,可切换 openai_agents、copilot_sdk、anthropic_sdk 三种后端,支持 stdio/SSE/streamable HTTP 的 MCP 连接、任务级检查点与断点续跑、运行清单输出、离线 lint 与 JSON Schema 导出。主要面向智能体安全研究、漏洞排查、代码审计、CodeQL 辅助代码审查与代码扫描告警分诊,也可跨多个模型跑同一提示词并让裁判任务择优,用于模型对比评测。

☆ 收藏查看来源 ↗