基于 AI Agent 的智能 Pull Request 代码审查助手 — 让每一次合并都安全、高效、优雅。
AI PR Review Assistant（代号 CodePulse AI）是一个基于大语言模型与 Multi-Agent 工作流的智能 PR 代码审查系统。开发者只需粘贴一个 GitHub Pull Request 链接，系统即可自动完成 PR 解析 → Diff 获取 → 风险文件筛选 → 多 Agent 并发分析 → 评分聚合 → 报告生成 的全流程，在数秒内输出包含安全漏洞分析、性能瓶颈诊断、代码质量评分及重构建议的专业审查报告。
在软件开发的 Code Review 环节中，开发者普遍面临以下痛点：
| 痛点 | 影响 |
|---|---|
| PR 变更内容多，Review 成本高 | 大型 PR 动辄数十个文件，人力逐行审查耗时巨大 |
| 容易遗漏高风险代码 | 安全漏洞（SQL 注入、XSS、凭证泄露）隐藏在大量变更中难以发现 |
| 缺乏代码上下文导致分析不准确 | 仅看 Diff 无法理解文件间的依赖关系和调用链 |
| 人工 Review 质量不稳定 | 受 reviewer 经验、精力影响，不同人审查标准参差不齐 |
针对上述问题，本系统利用 AI Agent + LangGraph 工作流引擎，实现了自动化、标准化、深层次的代码审查能力，显著降低 Review 成本并提升代码质量。
GitHub 仓库：gdemoni/AI-PR-Review-Assistant
- 支持输入任意 GitHub 公开/私有仓库 PR 链接
- 自动提取 PR 标题、作者、仓库信息
- 自动拉取完整 Diff 与变更文件列表
- 支持沙盒演练模式（无需 PR 链接，直接提交代码）
- 基于 敏感路径 + 关键词 + Diff 内容 的三维匹配算法
- 零 LLM 成本，毫秒级完成筛选
- 覆盖安全、数据、IO、配置、权限等 20+ 风险维度
- 确保高风险文件获得深度分析，同时控制 LLM 调用成本
- 调用 GitHub Contents API 获取风险文件的完整源代码
- 自动提取 import 语句 和 函数定义 作为分析上下文
- 支持 Python/JavaScript/TypeScript/Go/Java/C#/PHP 等多语言
- 显著提升 AI 对代码结构和依赖关系的理解准确性
- Summary Agent：生成 PR 业务目的与核心变更摘要
- Comprehensive Agent：三合一深度审查（安全 + 性能 + 质量）
- Critic Agent：自检修正，评估分析置信度，必要时触发重跑
- Aggregator：合并去重、排序评分、输出 verdict
- 综合评分（0-100）与 verdict（safe / needs_work / blocked）
- 安全风险高亮与等级标注
- 缺陷代码与修复方案逐行对比
- 一键重构：在界面中直接应用 AI 建议的修复代码
- SSE 流式接口，实时推送每个节点的执行进度
- 前端实时展示审查进度条与日志
- 支持用户主动取消正在进行的审查
┌──────────────────────────────────────────────────────────────┐
│ Frontend (React SPA) │
│ React 19 + TypeScript + TailwindCSS 4 + Vite 6 │
│ ┌─────────┐ ┌──────────┐ ┌─────────┐ ┌──────────┐ │
│ │ 首页 │ │ 审计看板 │ │ 沙盒演练 │ │ 审计历史 │ │
│ └────┬────┘ └────┬─────┘ └────┬────┘ └────┬─────┘ │
│ └───────────┴──────┬─────┴───────────┘ │
│ HTTP / SSE │
└───────────────────────────┼──────────────────────────────────┘
│ POST /api/analyze-pr/stream
▼
┌──────────────────────────────────────────────────────────────┐
│ Backend (FastAPI) │
│ ┌──────────────────────────────────────────────────────┐ │
│ │ LangGraph Workflow │ │
│ │ ┌──────────┐ → ┌───────────┐ → ┌─────────────┐ │ │
│ │ │ parse_pr │ │ fetch_diff│ │context_build│ │ │
│ │ └──────────┘ └───────────┘ └──────┬──────┘ │ │
│ │ ▼ │ │
│ │ ┌──────────┐ │ │
│ │ │ planner │ │ │
│ │ └─────┬────┘ │ │
│ │ ┌────────────┼────┐ │ │
│ │ ▼ ▼ ▼ │ │
│ │ ┌──────────┐ ┌────────────┐ │ │
│ │ │Summary │ │Comprehensive│ │ │
│ │ │Agent │ │Agent(三合一)│ │ │
│ │ └─────┬────┘ └──────┬─────┘ │ │
│ │ └──────┬──────┘ │ │
│ │ ▼ │ │
│ │ ┌──────────┐ │ │
│ │ │ Critic │ │ │
│ │ │ Agent │ │ │
│ │ └────┬─────┘ │ │
│ │ need_rerun?│ │ │
│ │ ┌───────────┴──────────┐ │ │
│ │ ▼ ▼ │ │
│ │ ┌──────────┐ ┌──────────┐ │ │
│ │ │loop_gate │ │aggregator│ │ │
│ │ │(round+1) │ └────┬─────┘ │ │
│ │ └────┬─────┘ ▼ │ │
│ │ │(rerun) ┌──────────┐ │ │
│ │ └──────────────→ │ report │ │ │
│ │ └──────────┘ │ │
│ └──────────────────────────────────────────────────────┘ │
│ ▲ │
│ ┌──────────┴──────────┐ │
│ ▼ ▼ │
│ ┌─────────────┐ ┌────────────────┐ │
│ │ GitHub API │ │ Multi-Provider │ │
│ │ REST Client │ │ LLM Adapter │ │
│ └─────────────┘ └────────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ GitHub.com DeepSeek/Qwen/GLM/ │
│ Kimi/OpenAI │
└──────────────────────────────────────────────────────────────┘
| 技术 | 用途 |
|---|---|
| React 19 | 组件化 UI 框架 |
| TypeScript | 类型安全的开发语言 |
| TailwindCSS 4 | 原子化 CSS 样式框架 |
| Vite 6 | 极速开发构建工具 |
| Lucide React | 图标组件库 |
| 技术 | 用途 |
|---|---|
| Python 3.11+ | 后端开发语言 |
| FastAPI | 高性能异步 Web 框架 |
| LangGraph | Agent 工作流编排引擎 |
| httpx | 异步 HTTP 客户端（GitHub API 调用） |
| OpenAI SDK | 统一 LLM 调用接口 |
| Pydantic | 数据模型验证 |
| Uvicorn | ASGI 服务器 |
系统原生支持 5 家主流 LLM 供应商，通过统一适配层实现无缝切换：
- DeepSeek（默认，DeepSeek-V4 Pro / V3 / R1）
- 阿里通义千问（Qwen-Plus / Qwen-Max / Qwen-Turbo）
- 智谱 GLM（GLM-4-Flash / GLM-4-Plus / GLM-4-Air）
- 月之暗面 Kimi（moonshot-v1-8k / 32k / 128k）
- OpenAI（GPT-4o）
前端选择模型时，系统自动通过模型名关键词推断供应商（如 qwen-max → Qwen API），确保模型名与 API 端点精确匹配。
本系统基于 LangGraph StateGraph 构建了 10 个节点的有向图工作流，涵盖串行、并发、条件路由与迭代回环四种执行模式。
| 节点 | 功能 | 关键实现 |
|---|---|---|
parse_pr |
解析 PR URL，提取 owner/repo/number | 正则匹配，调用 GitHub Pulls API |
fetch_diff |
获取 PR 变更文件列表与 Diff 内容 | 调用 Pulls Files API + Raw File API |
context_builder |
风险文件筛选 + GitHub 上下文获取 | 零 LLM 成本的关键词匹配 + Contents API |
planner |
制定审查策略 | 首轮固定策略；复查轮基于 Critic 反馈动态规划 |
planner
┌───┴───┐
▼ ▼
Summary Comprehensive
Agent Agent (三合一)
(仅首轮)
- Summary Agent：生成 PR 业务目的与核心变更摘要（仅首轮执行，重跑时自动跳过）
- Comprehensive Agent：对每个风险文件执行单次 LLM 调用，同时输出安全风险、性能问题、代码质量三个维度的分析结果
Summary + Comprehensive
▼
Critic Agent
│
┌─────────┴─────────┐
▼ ▼
confidence≥0.5 confidence<0.5
→ 聚合 且 round<2
│
loop_gate (round+1)
│
planner (基于Critic反馈重规划)
│
Comprehensive Agent (带修正提示重跑)
- Critic Agent 独立评估分析置信度（0-1 区间）
- 置信度 ≥ 0.5 或已达最大轮数 → 进入聚合阶段
- 置信度 < 0.5 且未达最大轮数 → loop_gate 递增轮次 → planner 基于 Critic 反馈重新规划 → Comprehensive Agent 携带修正提示重跑
- Aggregator：合并三个维度的分析结果，去重排序，计算综合评分（0-100）与 verdict
- Report Generator：生成专业 Markdown 格式审查报告
系统采用 三维度匹配算法，完全基于规则匹配，零 LLM 成本：
RISKY_KEYWORDS = [
# 安全相关: auth, login, password, token, secret, jwt, oauth...
# 数据相关: sql, query, database, db, mongo, redis, cache...
# IO 相关: input, request, response, upload, download, file...
# 配置相关: config, permission, role, admin, settings...
# 敏感领域: payment, billing, transaction, encrypt, decrypt...
]
RISKY_PATHS = [
r"(^|/)auth/", r"(^|/)security/", r"(^|/)api/", r"(^|/)admin/",
r"(^|/)config/", r"(^|/)database/", r"(^|/)middleware/",
r"\.sql$", r"\.env",
]筛选逻辑：
- 文件名匹配：检查文件名是否包含风险关键词（不区分大小写）
- 路径模式匹配：检查文件路径是否匹配风险目录模式（正则匹配）
- Diff 内容匹配：检查代码变更内容是否包含风险关键词
若筛选后无风险文件命中，采用保守策略自动将前 5 个变更文件纳入分析，防止漏审。
对筛选出的风险文件，系统进一步调用 GitHub Contents API 获取完整源代码，并执行多语言结构化解析：
- Import 提取：Python（
import/from...import）、JavaScript/TypeScript（require、ES6import）、PHP（use）、Go（package）等多语言支持 - 函数定义提取：Python（
def）、JavaScript/TypeScript（function）、Java/C#（访问修饰符 + 方法签名）、Go（func）等多语言支持
提取的 imports + funcs 作为结构化上下文注入 Comprehensive Agent 的 prompt，帮助 AI 理解代码结构和模块依赖关系，显著提升分析准确性。
系统实现了精细化的 GitHub API 异常处理，根据 HTTP 状态码自动区分错误类型并向用户展示精准提示：
| HTTP 状态码 | 错误类型 | 用户提示 |
|---|---|---|
| 404 | 仓库/PR 不存在或私有仓库 | 提醒检查链接或填写 Token |
| 401 | Token 无效或已过期 | 提示更新 GitHub Access Token |
| 403 | Token 权限不足 | 提示需要 repo scope |
| 维度 | 单 Agent 全量分析 | Multi-Agent 并发分析（本方案） |
|---|---|---|
| 关注点分离 | 一个 prompt 承载所有要求，容易相互干扰 | 每个 Agent 专注一个维度，prompt 更精准 |
| 准确性 | 易遗漏子维度问题 | 各维度深度分析后聚合，互为补充 |
| 可扩展性 | 新增维度需重构整个 prompt | 新增 Agent 节点即可，不影响现有流程 |
| 迭代优化 | 无法定向修正某个维度 | Critic 可精确定位需要重跑的 Agent 和维度 |
| 响应速度 | 串行执行 | 并发执行，总耗时 = 最慢的 Agent |
核心考量：平衡准确率与响应速度
- 一个大型 PR 可能包含 30+ 个变更文件，对每个文件都拉取完整源码并执行 LLM 分析将导致极高的 API 调用成本和漫长的等待时间
- 实际代码审查经验表明，80% 的严重问题集中在 20% 的高风险文件中（符合帕累托分布）
- 通过三维预筛选算法（纯规则匹配，毫秒级完成），精准定位高风险文件，仅对这些文件进行深度上下文获取与 LLM 分析
- 预处理阶段零 LLM 调用：URL 解析、Diff 获取、风险筛选全部通过规则匹配和 GitHub API 完成，不消耗 LLM 额度
- 三合一 Comprehensive Agent：每个文件仅需 1 次 LLM 调用，同时完成安全、性能、质量三维分析（原方案需 3 次调用 → 1 次）
- 可控的 Critic 迭代：默认单轮审查（max_rounds=1），仅在 Critic 判定置信度不足时启用第二轮
- 流式 SSE 反馈：前端实时展示每个节点执行进度，用户无需等待完全结束即可感知进展
- GitHub 上下文增强：完整源码 + imports + funcs 为 AI 提供代码结构的全景理解，降低因上下文缺失导致的误判
- Critic 自检机制：独立评估 Agent 输出的一致性，标记置信度低的发现
- 可选迭代复查：Critic 判定需要重跑时，携带上一轮反馈重新分析，修正遗漏或误报
- 聚合去重：最终评分前合并各维度结果，消除重复发现
- 保守的风险文件策略：若风险筛选无命中，自动兜底取前 5 个文件，防止漏审
不同于传统方案将全部代码直接送入 LLM 分析，本系统实现了 三维度规则匹配 + 零 LLM 成本 的预筛选机制。该机制能在毫秒级从数十个变更文件中精准定位高风险文件，显著降低 LLM 调用成本的同时确保关键代码获得深度分析。这是一个典型的 "先做减法再做深度" 策略，在工程实践中证明极为有效。
基于 LangGraph StateGraph 构建的 10 节点有向图工作流，支持串行、并发、条件路由与迭代回环四种执行模式。Comprehensive Agent 将安全、性能、质量三维分析合并为单次 LLM 调用，在保证分析深度的同时最大化并发效率。Critic Loop 机制实现了 Agent 输出的自检与修正，形成完整的 分析 → 评估 → 重跑 → 聚合 闭环。
系统不仅仅是拉取 PR Diff 数据，更进一步通过 GitHub Contents API 获取风险文件的 完整源代码，并利用多语言正则引擎自动提取 import 语句和函数定义。这些结构化上下文信息显著提升了 AI 对代码结构、依赖关系和调用链的理解能力，从而产生更精准的分析结果。
系统不仅发现问题，还提供 可操作的修复方案。Comprehensive Agent 输出的代码质量建议包含 originalCode（缺陷代码）和 revisedCode（修复方案），前端以 Old/New 对比方式清晰展示差异。用户只需点击 "一键重构" 按钮，即可将 AI 建议的修复代码应用到本地沙盒，实现从发现问题到解决问题的完整闭环。
后端采用 Server-Sent Events 实时推送每个节点的执行状态，前端动态展示分步进度日志。同时支持用户通过 AbortController 主动取消正在进行的审查，后端检测到客户端断开后立即停止工作流执行，避免资源浪费。前端取消按钮可在审查任意阶段触发，极大地提升了用户体验。
前端选择模型时，后端通过模型名关键词自动推断对应供应商（如 qwen-max → 通义千问 API，gpt-4o → OpenAI API），无需用户手动选择供应商。同时支持自定义 API Key 覆盖环境变量，实现 BYOK（Bring Your Own Key）的灵活部署模式。
本项目采用 Git Flow 简化版 分支管理策略：
| 分支 | 用途 |
|---|---|
main |
主分支，保持稳定可发布状态 |
backend |
后端功能开发分支 |
frontend |
前端功能开发分支 |
prototype |
原型快速迭代分支（项目早期使用） |
- 从
main创建功能分支（如backend/frontend） - 在功能分支上独立迭代开发，通过
Merge保持与其他分支同步 - 功能分支开发完成 → 提 PR → 代码审查 → squash merge 至
main - 合并后删除功能分支，保持分支结构整洁
采用 中文描述 + 语义化前缀 的 commit 风格：
| 类型 | 示例 |
|---|---|
| 功能新增 | 实现 PR 审查工作流接口 |
| 功能优化 | 优化 LangGraph 架构，合并多Agent为Comprehensive Agent |
| Bug 修复 | 修复 comprehensive_node 中风险文件选择逻辑 |
| 架构重构 | 重构 LangGraph 节点扩展至 11 个处理节点 |
| 代码清理 | chore: 清理 __pycache__ 缓存文件，解决合并冲突 |
| 合并操作 | Merge pull request #12 from gdemoni/frontend |
| 时间 | 里程碑 |
|---|---|
| 2025-05-21 | 项目初始化与原型搭建 |
| 2025-05-22 | 前后端分离架构重构 |
| 2025-05-25 | PR 审查工作流接口实现 |
| 2025-05-26 | GitHub API 集成与风险文件筛选 |
| 2025-05-27 | LangGraph Multi-Agent 迭代反馈环 |
| 2025-05-28 | 四 Agent 并发审查流水线 |
| 2025-05-29 | Comprehensive Agent 三合一优化（3次 → 1次 LLM 调用） |
| 2025-05-30 | SSE 流式接口 + 前端取消功能 |
| 2025-05-31 | 节点异常处理与错误透传优化 |
通过网盘分享的文件：github_pr_assistant演示视频 链接: https://pan.baidu.com/s/1Es7a5IPgBOZuH9su1u45ZA 提取码: 2j7w
- 全链路自动化：从 PR 链接输入到报告生成，全流程无需人工介入
- 灵活模型适配：原生支持 5 家主流 LLM 供应商，前端选模型时自动推断供应商
- 可自愈的审查流程：Critic Loop 机制实现输出质量的自检与修正
- 极致的成本控制：预筛选零 LLM 调用 + 三合一 Agent（3→1）+ 默认单轮策略
- 实时交互体验：SSE 流式推送节点进度 + 支持用户主动取消
| 指标 | 表现 |
|---|---|
| 单次审查平均耗时 | 5-15 秒（取决于文件数和 LLM 响应速度） |
| 风险文件筛选耗时 | 毫秒级 |
| 支持编程语言 | 6+（Python, JS/TS, Go, Java, C#, PHP） |
| 支持 LLM 供应商 | 5 家（DeepSeek, Qwen, GLM, Moonshot, OpenAI） |
| 分析维度 | 3（安全、性能、质量）+ 1（综合摘要） |
| LLM 调用优化 | 从 3 次/文件 降至 1 次/文件（三合一） |
| 错误类型识别 | 4 种（404/401/403/通用 + 精准提示） |
将系统从 Web 应用重构为 跨平台 CLI 命令行工具，打造成面向开发者的全能 GitHub AI 助手。核心设计思路：
gh-ai pr review <pr-url> # PR 代码审查（当前核心能力 CLI 化）
gh-ai pr summary <pr-url> # 快速 PR 摘要
gh-ai issue analyze <issue-url> # Issue 分析与修复建议
gh-ai repo scan <repo-path> # 仓库全量代码扫描
gh-ai commit review <commit-sha> # 单次 Commit 审查
gh-ai workflow suggest # CI/CD 工作流优化建议
CLI 优势：
- 去浏览器化：开发者终端即可完成所有操作，无需离开编辑器
- Pipeline 集成：可直接嵌入 CI/CD 脚本，实现自动化代码门禁
- Git Hooks 集成：结合
pre-commit/prepare-commit-msg等 Git Hooks，在代码提交前自动触发增量审查 - 批量处理：支持批量审查多个 PR 或全仓库扫描，输出结构化 JSON 报告
- 低资源占用：相比 Web 应用，CLI 模式无需前端资源，启动即用
从纯 "Review" 工具升级为 GitHub AI 全能助手，覆盖 GitHub 全流程：
| 功能 | 说明 |
|---|---|
| PR 自动创建 | AI 根据代码变更自动生成 PR 标题、描述与变更说明 |
| 智能 Commit 生成 | 分析代码差异，一键生成符合规范的 Commit Message |
| Issue 自动回复 | 根据 Issue 内容自动分析根因并给出修复建议 |
| Code Review 自动回写 | 审查结果自动提交为 GitHub PR Review Comments |
| 自动 Merge 决策 | 根据评分和测试状态，自动判断是否可以安全合并 |
| Release Notes 生成 | 基于 PR 历史自动生成版本发布说明 |
构建本地向量知识库，持久化存储项目的代码结构、历史审查记录、团队编码规范等。每次审查时通过语义检索召回相关知识作为 LLM 上下文，让 AI 审查结果更贴合项目自身的技术栈和编码风格。
- Call Graph 静态分析：基于 AST 的调用图分析，追踪函数间的调用链和数据流
- 仓库级全文索引：支持跨文件搜索和引用追踪，理解全局代码结构
- 增量 Diff 分析：仅分析变更行及其周边上下文，减少 LLM Token 消耗
通过 Model Context Protocol 将 CLI 工具的能力暴露给更多生态：
- IDE 集成：VS Code / JetBrains 插件中直接调用 CLI 能力
- CI/CD 集成：GitHub Actions / GitLab CI 流水线中作为 Step 执行
- 编辑器内联：在编辑器中选中代码即可触发 AI 审查
- Python 3.11+
- Node.js 18+
- 一个 LLM API Key（支持 DeepSeek / Qwen / GLM / Kimi / OpenAI 中任意一家）
- （可选）GitHub Personal Access Token（分析私有仓库时需要）
# 1. 进入后端目录
cd backend
# 2. 安装依赖
pip install -r requirements.txt
# 3. 配置环境变量
cp .env.example .env
# 编辑 .env，填入 LLM API Key 和其他配置
# 4. 启动服务（开发模式，支持热重载）
python app/main.py
# 服务运行在 http://localhost:8000# 1. 进入前端目录
cd frontend
# 2. 安装依赖
npm install
# 3. 启动开发服务器
npm run dev
# 服务运行在 http://localhost:5173# LLM 供应商（deepseek / qwen / zhipu / moonshot / openai）
LLM_PROVIDER=deepseek
# DeepSeek API Key
DEEPSEEK_API_KEY=sk-your-key-here
# 可选：默认模型（不设置则使用供应商默认模型）
LLM_MODEL=deepseek-v4-pro
# 可选：GitHub Token（读取私有仓库时需要）
GITHUB_TOKEN=ghp_your-token-here
# 可选：服务端口（默认 8000）
PORT=8000打开浏览器访问 http://localhost:5173，输入 GitHub PR 链接或使用沙盒演练模式即可开始使用。
AI-PR-Review-Assistant/
├── backend/ # FastAPI 后端
│ ├── app/
│ │ ├── __init__.py
│ │ ├── main.py # FastAPI 入口，CORS 配置
│ │ ├── router.py # API 路由（JSON + SSE 流式）
│ │ └── schemas.py # Pydantic 数据模型
│ ├── graph/
│ │ ├── __init__.py
│ │ ├── workflow.py # LangGraph 工作流定义与编译
│ │ ├── nodes.py # 10 个处理节点实现
│ │ ├── state.py # 全局状态类型定义
│ │ ├── prompts.py # LLM Prompt 模板
│ │ └── tool/
│ │ ├── github.py # GitHub API 调用 + 风险筛选
│ │ └── llm.py # 多供应商 LLM 适配层
│ ├── .env # 环境变量（不提交）
│ ├── .env.example # 环境变量模板
│ ├── langgraph.json # LangGraph CLI 配置
│ └── requirements.txt # Python 依赖
├── frontend/ # React 前端
│ ├── src/
│ │ ├── App.tsx # 主应用组件（单页 SPA）
│ │ ├── main.tsx # 入口文件
│ │ ├── index.css # 全局样式（TailwindCSS）
│ │ ├── types.ts # TypeScript 类型定义
│ │ └── data/
│ │ └── templates.ts # 沙盒演练预置模板
│ ├── index.html # HTML 入口
│ ├── package.json # Node 依赖
│ ├── vite.config.ts # Vite 构建配置
│ └── tsconfig.json # TypeScript 配置
├── assets/ # 静态资源目录
├── metadata.json # 项目元数据
└── README.md # 项目文档（本文件）
AI PR Review Assistant 是一个基于 AI Agent 的智能代码审查系统，以 "自动化、标准化、智能化" 为设计理念，系统性地解决了开发者在 Code Review 中的效率与质量问题。
在 架构设计 层面，系统采用 FastAPI + LangGraph 后端与 React + TypeScript + TailwindCSS 前端的全栈架构，通过 SSE 流式接口实现前后端实时交互。核心工作流基于 LangGraph StateGraph 构建了 10 节点的有向图，支持串行、并发、条件路由与迭代回环四种执行模式。
在 AI Agent 设计 层面，系统采用 Summary + Comprehensive（安全/性能/质量三合一）+ Critic + Aggregator 的多 Agent 架构，实现了关注点分离、深度分析与自检修正的完整闭环。通过三维度风险预筛选和三合一 Agent 的创新设计，在保证分析质量的同时将 LLM 调用成本降至最低。
在 工程实践 层面，系统实现了精细化的 GitHub API 异常处理（4 种错误类型精准提示）、多供应商 LLM 智能路由（支持 5 家供应商无缝切换）、以及 SSE 流式推送 + 用户取消机制，展现了扎实的工程能力。
未来，系统将持续向 Call Graph 静态分析、仓库级 RAG 检索、MCP 协议集成和 GitHub Review 自动回写等方向演进，打造更智能、更全面的下一代代码审查基础设施。
作者：gdemoni 技术栈：React 19 + TypeScript + FastAPI + LangGraph + LLM + GitHub API 开源协议：MIT