# Jarvis：一个多代理AI代码审查系统，自动化PR审查流程 > Jarvis是一个基于Agentic AI架构的代码审查系统，通过Planner、Coder、Reviewer、Executor四个专业代理协作，实现PR分析、问题识别、自动修复、测试生成和验证的完整自动化流程。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-06-04T06:44:59.000Z - 最近活动: 2026-06-04T06:58:57.382Z - 热度: 141.8 - 关键词: 代码审查, Agentic AI, 多代理系统, GitHub, 自动化测试, RAG, Go, DevOps - 页面链接: https://www.zingnex.cn/forum/thread/jarvis-ai-pr - Canonical: https://www.zingnex.cn/forum/thread/jarvis-ai-pr - Markdown 来源: ingested_event --- # Jarvis：一个多代理AI代码审查系统，自动化PR审查流程 ## 原作者与来源 - **原作者/维护者**: whyankush07 - **来源平台**: GitHub - **原始标题**: ci-jarvis (Jarvis) - **原始链接**: https://github.com/whyankush07/ci-jarvis - **发布时间**: 2026年6月4日 - **技术栈**: Go, Next.js, PostgreSQL, Redis, OpenAI/Gemini API - **许可证**: MIT ## 项目概述：代码审查的痛点与解决方案 现代软件开发团队花费大量时间进行重复性的代码审查工作：检查代码风格、寻找常见bug、编写测试用例、验证实现是否符合规范。这些工作虽然重要，但往往占据了开发者本应专注于创造性工作的时间。 Jarvis正是为解决这一痛点而设计的**Agentic AI系统**。它不是一个简单的聊天机器人，而是一个由多个专业AI代理组成的协作系统，能够自主完成代码审查生命周期的各个环节，同时保持人类开发者的最终决策权。 ## 核心问题陈述 代码审查是软件质量保证的关键环节，但传统流程面临诸多挑战： - **重复性劳动**：审查者需要反复检查相同的模式（分号缺失、未使用的变量、硬编码值等） - **边界条件遗漏**：人工审查容易忽略边缘情况和异常处理 - **质量不一致**：不同审查者的严格程度和关注点存在差异 - **反馈周期长**：从提交PR到获得审查反馈可能需要数小时甚至数天 - **缺乏项目上下文**：审查者可能不了解项目特定的架构模式和约定 Jarvis通过多代理协作架构系统性地解决这些问题。 ## Agentic AI架构设计 Jarvis采用Agentic AI架构而非简单的提示-响应系统。系统由四个专业代理组成，每个代理负责审查流程的特定环节： ### Planner Agent（规划代理） 作为流程的入口和协调者，Planner Agent负责： - **理解PR上下文**：分析代码变更的范围、目标和影响 - **任务分解**：将审查工作拆分为可执行的子任务 - **策略制定**：确定执行顺序和依赖关系 ### Coder Agent（编码代理） 负责实际的代码生成和修复工作： - **生成修复代码**：针对识别出的问题提供具体修复方案 - **重构建议**：改进代码结构和可读性 - **补全实现**：为缺失的功能提供实现 ### Reviewer Agent（审查代理） 承担质量保证角色： - **代码审查**：检查生成的变更是否符合标准 - **缺陷识别**：发现潜在问题和改进点 - **标准执行**：确保遵循项目的编码规范 - **改进建议**：提供更优雅的实现方案 ### Executor Agent（执行代理） 负责验证和确认： - **测试运行**：执行单元测试和集成测试 - **静态分析**：运行代码质量检查工具 - **代码验证**：确保生成的代码可以正常编译和运行 - **报告生成**：输出验证结果和指标 ## 系统工作流程 Jarvis的工作流程设计体现了事件驱动架构的优势： ``` GitHub Pull Request │ ▼ GitHub Webhook │ ▼ Job Queue (Redis) │ ▼ Go Orchestrator │ ┌────────┼────────┐ ▼ ▼ ▼ Planner Coder Reviewer │ ▼ Executor │ ▼ Human Approval Layer │ ▼ Pull Request Update ``` 这个流程的关键设计决策包括： - **异步处理**：使用Redis队列解耦各个阶段，提高系统吞吐量 - **并行执行**：独立的代理可以并行工作，缩短整体审查时间 - **人工审批**：所有自动生成的变更都需要人工确认后才能应用 - **可追溯性**：完整的审查历史和决策记录 ## 核心功能特性 ### 代理式代码审查 多代理协作的自主审查管道，每个代理专注于特定领域，通过协作实现全面的代码分析。 ### 仓库感知智能 使用RAG（检索增强生成）技术理解项目特定的代码模式： - **代码嵌入**：将仓库代码转换为向量表示 - **相似性搜索**：查找与当前PR相关的历史代码 - **上下文注入**：将相关代码片段作为上下文提供给LLM ### 自动化测试生成 为修改的代码自动生成单元测试和集成测试，确保变更不会破坏现有功能。 ### 人工审批工作流 开发者保持最终控制权，可以： - 查看代理生成的变更建议 - 选择性接受或拒绝特定修改 - 要求代理重新生成或改进 - 完全覆盖代理的建议 ### 审查历史记录 存储完整的审查会话、代理输出和审批决策，用于： - 审计追踪 - 团队学习 - 系统改进 - 合规要求 ### 沙箱执行 在隔离的Docker容器中安全验证生成的代码，防止恶意代码影响主机环境。 ### 可扩展架构 新代理和工具可以独立开发并集成到现有流程中，无需修改核心系统。 ## 技术栈详解 ### 后端架构 - **Go**：高性能的并发处理，适合代理编排 - **Fiber**：轻量级Web框架，处理GitHub Webhook - **PostgreSQL**：持久化审查历史、代理输出和审批决策 - **Redis**：任务队列和分布式状态管理 ### 前端界面 - **Next.js 15**：React框架，提供服务端渲染 - **TypeScript**：类型安全，提高代码质量 - **Tailwind CSS**：实用优先的CSS框架 ### AI与代理系统 - **OpenAI API**：GPT系列模型，用于代码生成和分析 - **Gemini API**：Google的LLM，提供多模态能力 - **向量嵌入**：代码语义表示 - **RAG管道**：检索增强生成，提供项目上下文 ### 基础设施 - **Docker**：容器化部署 - **Docker Compose**：本地开发和测试 - **GitHub Webhooks**：实时接收PR事件 ## 学习价值与贡献机会 Jarvis项目为贡献者提供了学习多种现代技术的实践平台： ### 技术学习 - **Agentic AI系统**：理解多代理架构的设计和实现 - **多代理编排**：学习如何协调多个独立代理的协作 - **RAG技术**：实现检索增强生成管道 - **提示工程**：为不同代理设计有效的提示策略 - **分布式系统设计**：事件驱动架构和异步处理 - **Go后端开发**：高性能并发编程 - **Docker沙箱**：安全隔离和容器化 ### 贡献方式 项目欢迎各层次的贡献者： - **文档**：完善使用说明和API文档 - **后端开发**：实现新的代理和功能 - **前端开发**：改进审查界面和用户体验 - **AI代理设计**：优化代理行为和协作模式 - **提示工程**：改进代理的提示模板 - **测试**：增加测试覆盖率和质量 - **DevOps**：改进部署和运维流程 ## 开发路线图 项目规划了六个阶段的开发计划： ### 第一阶段：基础架构 - 项目脚手架搭建 - PostgreSQL数据库设计 - Redis队列配置 - Go编排器实现 ### 第二阶段：核心代理 - Planner Agent实现 - Coder Agent实现 - Reviewer Agent实现 ### 第三阶段：执行与重试 - Executor Agent实现 - 重试工作流 - 代理记忆机制 ### 第四阶段：RAG集成 - 嵌入管道 - 向量搜索 - 上下文注入 ### 第五阶段：GitHub集成 - GitHub App开发 - 自动PR协助 - 管理仪表板 ### 第六阶段：高级功能 - 高级审查智能 - 代理可观测性 - 性能优化 ## 项目价值与意义 Jarvis代表了AI在软件工程领域的务实应用： 1. **提升效率**：自动化重复性审查工作，释放开发者时间 2. **保证质量**：系统化的审查流程减少遗漏 3. **知识传承**：RAG技术捕获项目特定的模式和约定 4. **学习平台**：为开发者提供Agentic AI和分布式系统的实践机会 5. **开源协作**：社区驱动的持续改进 ## 结语 Jarvis项目展示了Agentic AI在软件开发工具链中的巨大潜力。通过将AI能力分解为专业代理并设计有效的协作机制，它提供了一个比单一大模型更强大、更可控的解决方案。 对于希望探索AI辅助开发工具的团队，Jarvis不仅是一个可用的系统，更是一个理解Agentic AI架构设计的优秀案例。