AI-CQ-Pipeline：基于大语言模型的自动化代码质量分析与修复流水线

AI-CQ-Pipeline是一个由Pull Request触发的自动化流水线系统，结合Radon、Pylint等静态分析工具与大语言模型（LLM），实现代码质量的自动检测与智能重构。其核心设计理念是在代码合并前自动完成质量检查、智能重构与验证，无需人工干预，显著提升代码审查效率与一致性，助力DevOps场景下的智能化代码质量管理。

现代软件开发中，代码质量维护耗时且易受人为因素影响。随着项目规模增长，人工审查难以覆盖所有潜在问题；传统静态分析工具虽能发现问题，却无法自动提供修复方案。AI-CQ-Pipeline项目旨在解决这一痛点，将LLM能力与成熟代码质量工具结合，打造全自动的代码质量分析与修复流水线。

流水线工作流程分为三个阶段：

1. 变更检测与静态分析：PR提交时识别变更Python函数，调用Radon计算圈复杂度、可维护性指数，Pylint检测代码异味，为LLM干预提供量化依据；
2. 智能重构与代码生成：对超出质量阈值的函数，LLM理解代码逻辑生成结构性优化版本；
3. 自动化验证与报告：重构代码推送至autofix/pr-{number}分支，触发pytest验证，生成修复前后指标对比的HTML报告（有效期7天）并通过PR评论分享。

项目支持团队自定义配置：LLM提供商、质量阈值设定、提示词策略均可在pipeline/fargate/src/llm_handler中调整。团队可根据自身技术栈与代码规范，定制系统敏感度与修复风格。

项目基于Python3.13开发，部署依赖AWS账户、GitHub仓库、Ansible2.12。安装通过虚拟环境与pre-commit钩子简化本地开发；基础设施配置（AWS资源、Docker镜像、GitHub密钥）由Ansible自动化完成。

AI-CQ-Pipeline将重复性质量维护工作自动化，让工程师专注于创造性任务，而非取代开发者。随着LLM能力提升，此类智能流水线有望在更多编程语言与场景落地，成为现代DevOps工具链的标准组件。