终于把 AI 训练成“盯 PR”的牛马了，这效率绝了

不知道大家有没有这种经历：开源项目维护得正起劲，结果每天醒来最头疼的不是写代码，而是处理堆积如山的 Pull Request（PR）。尤其是那种一眼就能看出问题，或者需要长期关注进展的 PR，手动去盯梢简直是在浪费生命。

[示意图] GitHub Pull Request 代码审查界面

今天终于忍不住了，利用手头的 AI 工具，硬是把它训练成了一个“会盯 PR”的牛马。现在它不仅能帮我自动筛选垃圾 PR，还能对代码变更进行初步审查，甚至提醒我哪些合并了可能会炸。这感觉，就像请了个 7x24 小时不睡觉的高级实习生。

为什么要给 AI 找这种“苦力活”？

说实话，咱们的时间值钱，没必要花在机械劳动上。

1. 信息过载：哪怕是小项目，每天的通知也能把手机震没电。
2. 重复劳动：很多 PR 的检查逻辑是固定的，比如检查 Commit 规范、有没有敏感信息泄露、测试是否通过等等。
3. 及时性：人得吃饭睡觉，但 AI 不用。夜里来个“跑路式”提交，AI 能第一时间拦住。

实现思路：把 AI 接入 CI/CD 机器人

核心思路其实不复杂，就是给现有的机器人接一个“大脑”。市面上现成的 CI 工具很多，但我这次选的是更灵活的方案，直接让 AI 调用 GitHub API。

[示意图] 生成 GitHub Personal Access Token 并设置相关权限

第一步：准备 API 和权限

首先，你得有个能跑代码的地方，VPS 或者 GitHub Action 都行。然后去 GitHub 生成一个 Personal Access Token (PAT)，权限记得勾选 repo 和 pull_request 相关的。这一步是给 AI 拿到“进门钥匙”。

第二步：定义“审查规则”

AI 不能瞎跑，得告诉它看什么。我在 Prompt 里主要定了几条死命令：

• 格式审查：Commit Message 是不是以 feat: 或 fix: 开头？代码格式是不是乱七八糟？
• 安全扫描：有没有把密钥、硬编码的密码或者私钥传上来了？这属于红线，一旦发现直接打回。
• 逻辑风险评估：虽然 AI 还不能完全替代 Code Review，但它可以评估变更量。如果一行代码改了整个项目结构，它得给我报个警。

第三步：模拟“盯梢”行为

这是最关键的一步。我们不能让 AI 只在 PR 提交时反应一次，它得像个话痨一样持续关注。

我写了个简单的脚本，利用 GitHub 的 List pull requests 接口，每隔一段时间（比如半小时）扫一遍状态为 Open 的 PR。AI 会对比上一次的快照：

• 如果有新的评论，它去判断是不是该回复。
• 如果 CI 变红了，它会立马去评论区贴个错误分析。
• 如果 PR 长期没动静，它还会善意地 @ 作者催更（礼貌版，防止劝退贡献者）。

实际效果对比

以前我每天得花 1 小时刷通知，现在打开 Repo 页面，干净的就像没人来过一样。

• 低级错误过滤率 90%：像文件名大小写错误、格式问题，AI 全包圆了。
• 响应速度提升：以前跨国提交时差问题导致反馈慢，现在秒回。

遇到的坑与解决方案

折腾这玩意儿也不是一帆风顺，这里给想动手的朋友提个醒：

1. Token 消耗问题：一开始没做截断处理，AI 把整个项目 History 都读了一遍，Token 瞬间爆炸。
   • 解决：只让 AI 读取当前 PR 变更的 Diff 文件，别给它看整个仓库。
2. 误报与幻觉：有时候 AI 会一本正经地胡说八道，指出一个根本不存在的依赖问题。
   • 解决：在 Prompt 里加了一句“如果不确定，请用 Not Sure 标记，不要强行解释”，极大降低了瞎指挥的概率。
3. API 限流：免费版 GitHub API 请求次数有限。
   • 解决：做了简单的本地缓存，只有状态变更时才触发深度分析，单纯轮询检查状态很省配额。

总结

把 AI 训练成“监工”其实是把它从“聊天玩具”变成了“生产力工具”。它不是要取代我们审查代码，而是帮我们把脏活累活干完，让我们把精力花在真正有价值的架构设计和核心逻辑上。

如果你想解放双手，不妨给自己的项目也安排这么一位不知疲倦的“牛马”助手。 trust me，真香。