说到痛点一，ESLint 无法捕捉“代码意图”导致 PR 审查时间拉长

前端团队往往发现，ESLint 能帮你检查语法、风格和未使用变量等表面问题。却无法识别诸如useEffect 里遗漏的依赖、事件处理函数直接改 state 或者异步请求缺少 AbortController 等语义级错误。至于结果，

• PR 合并等待时间显著上升。
• 生产 Bug 增多，难以快速定位。
• 者需要手动分析 diff，耗时高。

痛点二这方面，一次性将整段代码送给大模型，Token 消耗爆炸且建议不精准

把整个文件或者完整 diff 当作单个 prompt 发送给 AI。会导致：

• 上下文过长，模型容易丢失细节。
• 返回的建议难以映射到具体行号或函数。
• Token 费用飙升，尤其在 CI/CD 中频繁调用。其实，

再看第一步先。准备环境与依赖

只需两行 npm 安装就可以完成配置：

npm install typescript openai
# 设置环境变量
export OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx

说明：

• typescript: 提供编译器 API，用于解析 AST。
• openai: 用来调用 GPT/Claude/Grok 模型。若想换模型，只需改 .

接下来这方面。使用 TS Compiler API 抽取代码单元

主要思路是先把文件切成“可审查单元”，每个单元都是一个函数或类声明，保持上下文干净且行号清晰。以下脚本展示如何实现：

// ai-review.mjs
import ts from 'typescript';import fs from 'node:fs';function extractUnits {
const code = fs.readFileSync;const source = ts.createSourceFile;const units =;function visit {
if && node.name) {
units.push });}
if && node.name) {
units.push });}
ts.forEachChild;}
visit，return units;}
const filePath = process.argv;if {
console.error;不过，process.exit;老实说，}
const units = extractUnits;console.log);

# 提示：

• .getText: 保留原始注释与格式，让模型看到完整代码而非抽象语法树。
• 仅抽取顶层函数/类；其实，如果需要更细粒度，可递归遍历内部声明。

：逐个单元交给大模型进行语义审查

下面的脚本会为每个单元发起一次 ChatGPT 调用，并统一返回 JSON 格式结果。以便后续集成到 CI 或 PR 评论中：

// ai-review.mjs
import OpenAI from 'openai';const client = new OpenAI({
apiKey的观点是。
process.env.OPENAI_API_KEY,});async function reviewUnit {
const res = await client.chat.completions.create({
说到model，'gpt-4o-mini'。// 可换成 grok 或 claude
temperature: 0.1,response_format: { type: 'json_object' },messages:,});const result = JSON.parse;return { name: unit.name,...result };}
=> {
for {
const r = await reviewUnit;console.log，for {
console.log;}
console.log;}
})，

# 如何运行：

node ai-review.mjs src/utils.ts
# 输出示例：
=== fetchData ===
未处理竞态请求 -> 使用 AbortController 包装 fetch。state.x 被直接赋值 -> 使用 setState)。

工程化踩坑提醒 & 成本控制策略

• Token 成本管理：  对每个 PR，只分析实际变更部分的函数。可通过 Git 的 diff 获取新增/修改行，再用 AST 截取对应节点；不过，避免整文件上传造成 Token 浪费。

进一步 与集成思路

• AWS Lambda / Azure Functions / Vercel Edge Function - 将脚本包装成无服务器函数。在 PR Webhook 时触发执行，减少 CI 并行资源使用情况。

• 在 GitHub Actions 中加入 “Code Review” 步骤。将输出写入 JSON，接下来使用 GitHub REST API 自动发布评论。

• 为每条问题生成 Markdown 链接至相关文档或常用方法示例，提高开发者接受率。

• 集成 Slack / Teams 通知。将关键 issue 推送至团队聊天频道，加速反馈闭环。

• 定期生成报告统计最常见 issue 类型，为技术债务管理提供数据支持。

你们团队现在是否已经尝试过 AI 做代码审查？是使用现成工具还是自己写脚本？老实说，你最关心哪类问题——空值安全、竞态还是命名可读性？欢迎在评论区分享实践经验与踩坑，一起把这套脚本打磨成为团队标配！