AI工具接入教程
每日 AI 实战案例

用 Claude Code + Cursor 搭建 AI 代码评审流水线：1 人完成 5 人团队的 PR Review 工作

2026-08-01
高级开发
3 天搭建
使用工具：
Claude CodeCursorGitHub ActionsGPT-4
AI实战代码评审Claude CodeCursorGitHub Actions

案例摘要

某 50 人技术团队每周产生约 120 个 PR，资深工程师花在 Review 上的时间占工作日 30%。本文复盘如何用 Claude Code 自动分析 PR diff、生成结构化评审报告，用 Cursor 修复低级问题，配合 GitHub Actions 实现流水线自动化。把单 PR 平均评审时间从 18 分钟压缩到 4 分钟，漏检率下降 60%。包含完整工具链、关键 Prompt、效果数据与踩坑经验。

案例背景

某 SaaS 公司技术团队 50 人，每周合并约 120 个 PR。Code Review 现状：

痛点数据
资深工程师 Review 占用时间工作日 30%（约 12 小时/周）
单 PR 平均 Review 耗时18 分钟
低级问题占比（命名、格式、明显 bug）45%
上线后发现的缺陷月均 8 个，其中 3 个能在 Review 阶段拦截
新人 PR 等待 Review 时间平均 6 小时

目标：用 AI 把低级问题自动拦截，让资深工程师专注业务逻辑与架构评审。

工具组合

工具角色选型理由
Claude Code评审主引擎200K 上下文，能吞下整个 PR diff + 上下文文件
Cursor修复助手在 IDE 内快速修复 AI 指出的问题
GitHub Actions流水线编排PR 触发、调用 AI、回写评论
GPT-4交叉校验与 Claude 互为补充，降低单一模型盲区
ESLint / Prettier静态检查先于 AI 拦截格式问题，节省 Token

架构设计

PR 创建/更新
    ↓
GitHub Actions 触发
    ↓
[Step 1] ESLint + Prettier 静态检查
    ↓
[Step 2] 拉取 PR diff + 上下文文件
    ↓
[Step 3] Claude Code 生成评审报告（结构化 JSON）
    ↓
[Step 4] GPT-4 交叉校验高风险项
    ↓
[Step 5] 回写 GitHub Review 评论（按文件行定位）
    ↓
[Step 6] 若有 Critical 问题，自动申请 changes requested
    ↓
通知作者 + 资深工程师

实施步骤

步骤 1：用 Claude Code 设计评审 Prompt（4 小时）

这是整个系统最关键的一步。Prompt 决定评审质量。

你是一位资深代码评审工程师，拥有 15 年后端开发经验。请评审以下 PR diff。

## 评审维度（按优先级）
1. **正确性**：逻辑 bug、边界条件、空指针、并发问题
2. **安全性**：SQL 注入、XSS、权限绕过、密钥泄露
3. **性能**：N+1 查询、O(n²) 循环、不必要的同步阻塞
4. **可维护性**：命名、复杂度、重复代码、注释缺失
5. **架构**：是否符合项目分层、是否有更优雅的实现

## 输出格式（严格 JSON）
{
  "summary": "一句话总体评价",
  "severity": "critical | major | minor | nit | praise",
  "issues": [
    {
      "file": "src/xxx.ts",
      "line": 42,
      "severity": "major",
      "category": "正确性",
      "message": "未处理 null 情况，当 user 为 null 时会抛 NPE",
      "suggestion": "可选修复建议",
      "confidence": 0.9
    }
  ],
  "praise": ["做得好的地方，给作者正向反馈"],
  "overall_score": 1-10
}

## 规则
1. 只评审 diff 中变更的行，不要评论未改动的代码
2. confidence < 0.6 的问题降级为 minor
3. 不要吹毛求疵，nit 级别问题最多 3 个
4. 发现 1 个 critical 或 3 个 major，overall_score ≤ 4
5. 如果代码质量优秀，必须给出 praise，不要只挑刺

## PR 信息
- 标题：{pr_title}
- 描述：{pr_body}
- 改动文件数：{file_count}
- 增加行数：{additions}
- 删除行数：{deletions}

## Diff 内容
{diff_content}

## 上下文文件（被改动文件的完整内容）
{context_files}

关键技巧：

  • 强制 JSON 输出：方便后续脚本解析与回写 GitHub
  • severity 分级：critical 必须人工介入，nit 可忽略
  • confidence 字段：让模型自评置信度，低于 0.6 不阻塞合并
  • praise 字段：避免只挑刺，维护团队士气

步骤 2：编写 GitHub Actions 工作流（4 小时）

创建 .github/workflows/ai-review.yml：

name: AI Code Review

on:
  pull_request:
    types: [opened, synchronize, reopened]

jobs:
  ai-review:
    runs-on: ubuntu-latest
    if: github.actor != 'dependabot[bot]'
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0

      - name: Setup Node.js
        uses: actions/setup-node@v4
        with:
          node-version: '20'

      - name: Run ESLint + Prettier
        id: lint
        run: |
          npm ci
          npx eslint $(git diff --name-only origin/${{ github.base_ref }} HEAD -- '*.ts' '*.tsx') --format json > eslint.json || true

      - name: Get PR Diff
        id: diff
        run: |
          git diff origin/${{ github.base_ref }}...HEAD > pr.diff
          echo "diff_size=$(wc -l < pr.diff)" >> $GITHUB_OUTPUT

      - name: Run AI Review
        if: steps.diff.outputs.diff_size != '0'
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
        run: node scripts/ai-review.mjs

      - name: Cross-check with GPT-4
        if: steps.ai-review.outputs.critical_count != '0'
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
        run: node scripts/gpt-crosscheck.mjs

步骤 3：实现 ai-review.mjs 调用 Claude（6 小时）

核心逻辑：

// scripts/ai-review.mjs（伪代码示意）
import Anthropic from '@anthropic-ai/sdk';
import { GitHub } from 'octokit';

const client = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });
const gh = new GitHub({ auth: process.env.GITHUB_TOKEN });

// 1. 拉取 PR 元数据
const { data: pr } = await gh.pulls.get({
  owner, repo, pull_number: prNumber
});

// 2. 拉取 diff
const diff = await gh.pulls.listFiles({ owner, repo, pull_number: prNumber });

// 3. 拉取上下文文件（diff 中被改动的文件完整内容）
const contextFiles = await Promise.all(
  diff.data.map(f => gh.repos.getContent({ owner, repo, path: f.filename }))
);

// 4. 调用 Claude 评审
const response = await client.messages.create({
  model: 'claude-3-5-sonnet-20261022',
  max_tokens: 4096,
  messages: [{
    role: 'user',
    content: buildReviewPrompt(pr, diff.data, contextFiles)
  }]
});

// 5. 解析 JSON 评审报告
const review = JSON.parse(response.content[0].text);

// 6. 回写 GitHub Review 评论
await gh.pulls.createReview({
  owner, repo, pull_number: prNumber,
  body: renderReviewBody(review),
  event: review.severity === 'critical' ? 'request_changes' : 'comment',
  comments: review.issues.map(i => ({
    path: i.file,
    line: i.line,
    body: `**[${i.severity}] ${i.category}**\n${i.message}\n\n建议：${i.suggestion}`
  }))
});

关键技巧：

  • fetch-depth: 0：必须拉取完整历史，否则 git diff 拿不到 base 分支
  • 上下文文件：只看 diff 不够，模型需要看完整文件才能判断改动影响
  • 评论行定位：用 line 而非 start_line，避免多行评论定位错乱
  • request_changes 谨慎用：只对 critical 级别申请 changes，否则会阻塞所有 PR

步骤 4：用 Cursor 修复 AI 指出的问题（2 小时/PR）

作者收到 AI Review 后，在 Cursor 中：

读 src/auth.ts 第 42 行，AI 指出未处理 user 为 null 的情况。
请按 AI 的建议修复，同时检查同文件其他类似问题。

Cursor 会直接定位并修复，作者只需 Review Cursor 的改动。

步骤 5：用 GPT-4 交叉校验 critical 问题（1 小时）

为避免 Claude 单一模型误报 critical，对每个 critical 问题再用 GPT-4 验证：

你是代码评审专家。请判断以下问题是否真的是 critical 级别。

代码片段：
{code_snippet}

Claude 指出的问题：
{issue_description}

请回答：
1. 这个问题是否真实存在？(yes/no/uncertain)
2. 严重程度是否被高估？(overestimated/correct/underestimated)
3. 简述理由（一句话）

只有 GPT-4 也确认 critical，才自动 request_changes。这把误报率从 15% 降到 2%。

关键 Prompt 合集

Prompt 1：让 Claude 学会"读项目规范"

读仓库根目录的 CODE_REVIEW.md（项目评审规范）和 .eslintrc.json，
把规范要点提取为 checklist，在评审时逐项检查。
如果 diff 违反了 checklist 中的某项，明确指出违反了哪条规范。

Prompt 2：让 Claude 区分"风格"与"问题"

评审时严格区分：
- 风格问题（命名、空格、引号）→ nit 级别，最多提 3 个
- 逻辑问题（bug、边界、并发）→ major 或 critical
- 架构问题（分层、耦合、抽象）→ major，且必须给出更好的实现方案

不要把风格问题升级为 major，会污染信号。

Prompt 3：让 Claude 写"建设性评论"

评论语气必须建设性，避免否定式表达：
- ❌ "这里写错了"
- ✅ "这里可以考虑用 X 方式，因为 Y"
- ❌ "这个函数太长"
- ✅ "这个函数有 80 行，建议拆分为 3 个子函数，按职责划分"

每条评论必须包含：问题 + 原因 + 建议。

效果数据

上线 6 周后的数据对比：

指标改造前改造后提升
单 PR 平均 Review 耗时18 分钟4 分钟4.5 倍
资深工程师 Review 占用30% 工作日12% 工作日-60%
低级问题漏检率22%4%-82%
上线后缺陷数月均 8 个月均 3 个-62%
新人 PR 等待时间6 小时15 分钟24 倍
评审一致性（不同人评分差异）±3 分±1 分提升
开发者满意度6.8/108.9/10+31%

经验总结

成功要点

  1. Prompt 是核心：花了 3 天调 Prompt，每一版都用历史 PR 回测，命中率从 40% 提升到 78%。
  2. 静态检查先行：ESLint/Prettier 拦截 60% 低级问题，AI 只看真正需要智能判断的部分。
  3. 双模型交叉校验：Claude + GPT-4 互为补充，单一模型误报率 15%，双模型降到 2%。
  4. 谨慎用 request_changes：只对 critical 阻塞，否则会激怒开发者。
  5. 必须有 praise：AI 只挑刺会让团队抵触，强制要求每个 PR 至少 1 条 praise。

踩过的坑

  1. diff 太大 OOM：超过 5000 行的 PR 要分文件评审，否则 Claude 会截断输出。
  2. 评论行号错位：GitHub Review API 的 line 是 diff 中的行号，不是源文件行号，需要用 patch 解析。
  3. GPT-4 JSON 格式漂移：用 response_format: { type: 'json_object' } 强制 JSON，否则会夹杂自然语言。
  4. Token 成本失控：每个 PR 平均消耗 $0.8，月成本约 $300，需设定预算告警。
  5. Bot 评论淹没人工评论：限制 AI 评论数 ≤ 15 条，超过则合并为 summary。
  6. 测试代码误报：在 Prompt 中明确"测试文件降级评审，只看是否覆盖主路径"。
  7. 生成文件误报：.generated.ts、*.lock 等文件跳过评审，在 Actions 中过滤。

不可评审的场景

AI 评审不能完全替代人工，以下场景必须人工介入：

  • 跨服务的架构改动
  • 涉及金额、权限、安全的核心逻辑
  • 数据库 migration
  • 公开 API 的破坏性变更
  • 性能敏感的热路径

策略：AI 评审通过后，仍需 1 个人工 approve 才能合并，AI 只是第一道筛选。

复用建议

这套方案可迁移到：

  • 前端 PR：调整 Prompt 关注 React 性能、a11y、i18n
  • Go/Rust PR：调整 Prompt 关注内存安全、goroutine 生命周期
  • SQL migration：单独写 Prompt 检查索引、回滚脚本
  • 文档 PR：检查链接、示例代码可运行性、术语一致性

核心是把评审规范文档化（CODE_REVIEW.md），让 AI 有据可依。

工具版本

  • Claude Code：v1.0.20+
  • Cursor：v0.40+
  • Anthropic SDK：0.40+
  • Octokit：3.1+
  • GitHub Actions：runner ubuntu-22.04+
  • 月度 API 成本：约 $300（120 PR × $0.8 + GPT-4 校验 $200）

相关推荐

查看更多 →
案例办公

用 Claude Code + Cursor 30 分钟搞定电商周报：从 SQL 取数到自动出图

某中型电商团队每周需要 3 名分析师花 4 小时手工整理周报，覆盖 GMV、复购、品类结构、库存周转等 8 张表。本文复盘如何用 Claude Code 自动生成取数 SQL 与 Python 绘图脚本、用 Cursor 完成 Web 仪表板搭建，把单次周报产出时间从 4 小时压缩到 12 分钟。包含完整工具组合、关键 Prompt、效果数据与踩坑经验。

2026-07-31
#AI实战#数据分析
案例开发

用 AI 一周写完企业官网：从设计到上线全流程

某创业公司用 Claude Code + Cursor + Figma AI，在 7 天内完成企业官网从设计到部署的全流程，比传统外包节省 80% 成本。

2026-07-29
#AI实战#官网
案例创作

用 Claude Code + GPT-4 搭建内容创作流水线：1 人 7 天产出 30 篇公众号爆款

某自媒体团队单人运营 3 个公众号，传统流程每篇 4 小时，月产 20 篇已是极限。本文复盘如何用 Claude Code 做选题调研与大纲生成、用 GPT-4 写初稿、用 Prompt Chaining 串联润色-配图-SEO 全流程，7 天产出 30 篇爆款，平均阅读量提升 40%。包含完整工具链、关键 Prompt、每日计划与踩坑经验。

2026-08-05
#AI实战#内容创作
案例教育

用 Claude Code + GPT-4 两周拿下大厂技术面试：一份完整的 AI 辅助备考流水线

某后端工程师准备跳槽 BAT，传统备考需 4-6 周啃八股文+刷题。本文复盘如何用 Claude Code 自动生成个性化复习计划、模拟面试官连环追问，用 GPT-4 做行为面试 STAR 法润色，用 Anki MCP 自动产出记忆卡。14 天完成从简历优化到 5 轮模拟面试的全流程，最终拿到 3 个 offer。包含完整工具链、关键 Prompt、每日计划与踩坑经验。

2026-08-02
#AI实战#面试备考