腾讯 AICR : 智能化代码评审技术探索与应用实践（上）

引言

基于大模型技术为 AI 智能代码评审（AI Code Review，以下简称 AICR）带来了新的机遇与挑战，腾讯 AI 代码助手团队和 CR 团队基于腾讯集团开发人员与腾讯云广大开发人员/企业客户的 MR/CR 场景 (MR: Merge Request；CR:Code Review)，结合大模型技术推出了智能代码评审解决方案，包括基于 diff 片段、file 文件、edior 编辑文件的 AI 辅助评审、code suggestion、生成 MR commit message ，此外在腾讯集团内部还在源代码管理平台实践了基于 AI 实现 MR 摘要生成、智能评审意见生成、代码问题 AI评审修复意见生成等功能，全面助力广大开发人员提升评审效率和代码质量。

CR背景与挑战

CR背景

代码评审 (Code Review, 以下简称 CR) 是确保代码质量的重要途径之一。在软件开发过程中，尤其在大型开发团队开发过程，业务需求/问题修复的发布上线涉及多个开发人员的协作以及一套完整的版本管理质量保障体系，避免出现协作、代码风格等不一致带来的交付延期和代码质量影响。

通常，开发人员利用版本控制系统（如 Git）来减轻协作过程中出现的错误率和确保代码质量一致性，因此产生了分支管理，以 Gitflow workflow 分支管理规范为例，可看出研发协作过程是非常复杂的，伴随每次的业务需求开发、问题修复每次都会创建一个分支，每次分支间的合并都会产生一次合并请求，合并请求简称为 MR （Merge Request），在研发过程中高频的 MR 请求也就涉及到高频的 CR 需求。

分支定义：分支可以被看作是项目历史的轻量级移动指针，也是开发人员编码内容的载体。当你创建一个分支时，Git 会创建一个新的指针指向当前分支的最新提交（commit）。之后，当你在这个新分支上进行提交时，这个分支的指针会向前移动，而其他分支的指针保持不变。

人工 CR 挑战

代码评审 (Code Review, CR) ，是软件开发过程中至关重要的一部分，是保障代码编码过程中最后一道质量保障，传统人工 CR 流程。长期以来，频繁的 CR 以及沟通协作，造成评审低效且难把控，开发与评审者面临系列挑战，具体表现为：

MR 评审描述不规范，出问题难追溯
CR 不及时，需等待评审者时间，导致评审周期较长，会造成不必要的成本浪费
CR 遗漏或难监管，缺乏有效评审机制监管
缺乏代码上下文信息或代码复杂，评审者难以理解，造成 CR 耗时耗力
频繁的 CR 或单次 CR 内容多，存评审耗时和评审者疲劳，影响评审效率和质量
存覆盖面不足问题，如代码编码规范、代码设计逻辑、缺失注释说明、测试用例未覆盖及内存泄露等问题未覆盖全，导致 CR 质量低下

AICR介绍

结合大模型技术，将人工评审转为采用智能代码评审，通过 AICR 辅助评审,开发人员可快速识别和修复代码中的潜在代码质量问题，同时生成规范的合流 MR 摘要信息，为源代码管理和协作流程带来更高效的体验。

AICR 带来的高效体验，具有体现在以下方面：

随时自评审，无需等待，降低浪费
规范 MR 评审描述，评审者快速理解
降低人工频繁的 CR，提升评审效率和质量
评审更全面，提升评审覆盖面
提供修复建议，评审质量与解决问题有保障
具备 IDE / 代码仓库两种场景评审，更全面
内置评审管理配置，可优先 AI 辅助评审

腾讯 AICR 落地方案

源起

自大模型时代的到来，及腾讯集团研发效能委员会对于 CR 的重视程度不断的提升，经调研，大量开发人员反馈花费在 CR 上的时间也逐渐的增多，在日常研发工作排期中，除原本的编码时间、联调时间之外，还需预留 CR 的时间。以 QQ 业务团队为例，效能平台数据显示，人均评审耗时高达 80 分钟，经采访调研验证该观点。

从 23年3月开始，基于大模型的能力，腾讯集团 AI 代码助手团队和 CR 等团队，针对腾讯内外部开发人员进行调研，并针对编码场景进行了 AI 实践，其中 AICR 就是比较重要实践之一，并取得一定的效果。

技术方案

接下来，将具体介绍如何采用大模型相关技术解决上述挑战与问题。腾讯智能化 CR 服务的整体技术架构上分为三个层次：

数据层：在数据层，主要工作为数据获取与数据处理。具体地，数据来源来自两个方面。一方面，从公司内部的开源项目中，收集了部分 CR 数据，以及和具体业务团队对接，收集私域数据；另一方面，主要数据来源来自外部开源的 CR 数据。在数据处理方面，我们会对 CR 数据进行挖掘清洗与解析处理，更进一步地，我们会基于大规模数据进行高质量训练数据的构造，其中构造方法包括人工标注、模型蒸馏和数据飞轮建设等；

模型层：在模型层，我们的主要工作为 RAG、模型精调对齐、模型部署与迭代等。在 RAG 阶段，我们收集私域数据进行 RAG 服务的建立；在模型精调阶段，主要采取 prompt 调试和模型 SFT 的方式进行模型对齐；在模型部署和迭代阶段，采用 vllm 的部署框架进行上线服务，获取真实的用户反馈，最后形成数据飞轮，完成模型迭代；

应用层：在应用层，我们的智能化 CR 服务的产品形态包括：源代码管理平台 Web (腾讯工蜂代码仓库)界面提供的 CR 界面和 IDE 中腾讯云 AI 代码助手插件侧屏的 chat 对话模式。目前上线服务包括：面向 diff 片段的 diff 行间评论生成、面相代码修复/优化的代码变更推荐、面向分支合并的 MR 描述生成、面向多角色融合的 CR agent 等。