用 30 行 Python 给整个 Repo 做 AI Code Review（附完整可运行代码）
用 30 行 Python 给整个 Repo 做 AI Code Review（附完整可运行代码）
很多人订阅 ChatGPT Pro 或 Claude Max，每月花几百块，但 90% 的时间只是在聊天框里粘贴代码片段——这其实是最低效的用法。
今天聊一个真实场景：让 AI 自动扫描你的整个代码仓库，逐文件给出 review 意见，而不是你一段一段地喂给它。
触发这个想法的是 V2EX 上有人在讨论 Codex 的新功能，以及大家对 GPT 系列模型速度和成本的抱怨。其实很多"ChatGPT 网络问题"、"订阅太贵"的烦恼，换个姿势调 API 就能绕开。
思路
1. 遍历本地 repo，读取所有 .py / .ts / .js 等源文件
2. 每个文件内容作为 prompt 发给模型
3. 让模型返回结构化的 review 意见（问题、建议、严重程度）
4. 汇总输出成一份 Markdown 报告
整个流程不需要任何框架，标准库 + openai SDK 就够了。
完整代码
#!/usr/bin/env python3
"""
repo_review.py — 用 AI 自动 review 整个代码仓库
依赖: pip install openai
"""
import os
import sys
from pathlib import Path
from openai import OpenAI
# ── 配置区 ──────────────────────────────────────────────
client = OpenAI(
api_key=os.environ.get("API_KEY", "your-api-key-here"),
base_url="https://api2everything.xyz/v1", # 国内直连，无需代理
)
MODEL = "gpt-4o" # 也可以换成 claude-sonnet-4-5 / gemini-2.5-pro
MAX_FILE_BYTES = 40_000 # 超过这个大小的文件跳过，避免超 token
EXTENSIONS = {".py", ".ts", ".js", ".go", ".java", ".rs"}
# ────────────────────────────────────────────────────────
SYSTEM_PROMPT = """你是一位资深工程师，正在做 code review。
对于给定的代码文件，请输出：
1. **潜在 Bug**（如有）
2. **性能隐患**（如有）
3. **可读性 / 可维护性建议**
4. **安全风险**（如有）
每条意见注明严重程度：🔴 高 / 🟡 中 / 🟢 低
如果代码质量良好，直接说"✅ 无明显问题"即可，不要凑字数。
输出语言：中文。"""
def collect_files(root: str) -> list[Path]:
"""递归收集目标扩展名的源文件，跳过 node_modules / .git 等"""
skip_dirs = {".git", "node_modules", "__pycache__", ".venv", "dist", "build"}
result = []
for path in Path(root).rglob("*"):
if any(part in skip_dirs for part in path.parts):
continue
if path.suffix in EXTENSIONS and path.stat().st_size < MAX_FILE_BYTES:
result.append(path)
return sorted(result)
def review_file(path: Path, root: str) -> str:
"""调用 API review 单个文件，返回 Markdown 格式结果"""
code = path.read_text(encoding="utf-8", errors="ignore")
rel = path.relative_to(root)
response = client.chat.completions.create(
model=MODEL,
messages=[
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": f"文件路径：{rel}\n\n```\n{code}\n```"},
],
temperature=0.2,
)
return response.choices[0].message.content.strip()
def main():
repo_root = sys.argv[1] if len(sys.argv) > 1 else "."
files = collect_files(repo_root)
if not files:
print("没有找到符合条件的源文件。")
return
print(f"找到 {len(files)} 个文件，开始 review...\n")
report_lines = [f"# Code Review 报告\n\n仓库：`{repo_root}`\n"]
for i, path in enumerate(files, 1):
rel = path.relative_to(repo_root)
print(f"[{i}/{len(files)}] {rel}")
result = review_file(path, repo_root)
report_lines.append(f"## `{rel}`\n\n{result}\n")
report = "\n---\n\n".join(report_lines)
out_path = Path("review_report.md")
out_path.write_text(report, encoding="utf-8")
print(f"\n✅ 报告已写入 {out_path}")
if __name__ == "__main__":
main()
跑起来只需三步
# 1. 安装依赖
pip install openai
# 2. 设置 API Key（去 api2everything.xyz 注册，送 ¥1 余额）
export API_KEY="sk-xxxx"
# 3. 指定你的 repo 路径
python repo_review.py /path/to/your/project
运行完会在当前目录生成 review_report.md，直接用 Typora 或 VS Code 打开就是一份完整报告。
几个值得注意的细节
模型选择影响很大。 gpt-4o 速度快、综合能力强，适合大多数场景。如果你的项目有复杂的架构问题想深挖，换 claude-sonnet-4-5 往往给出的建议更有深度，它对代码上下文的理解比较细腻。
token 成本怎么算。 一个 500 行的 Python 文件大概消耗 3000-5000 token。用 gpt-4o 的话，review 一个中型项目（50 个文件）大概花 ¥1-2。如果用官方 API，同样的量要贵将近 3 倍。
并发可以加速。 上面的代码是串行的，如果文件多，可以用 concurrent.futures.ThreadPoolExecutor 并发发请求，速度能提升 5-10 倍。这里为了代码简洁没加，有需要的话评论区说一声。
大文件处理。 超过 MAX_FILE_BYTES 的文件会被跳过。如果你有几千行的大文件想 review，可以按函数/类切分后分批发送，这个逻辑用 ast 模块解析 Python 文件很容易实现。
关于 API 成本这件事
很多人卡在"订阅太贵"或者"国内访问不稳定"这两个问题上。其实这两个问题用 API 调用都能绕开——不需要订阅，按量付费，国内直连。
我现在用的是 无量Api，支持 OpenAI / Claude / Gemini / DeepSeek 等 300+ 模型，价格比官方便宜约 65%，SVIP 还有 7.7 折。接入方式就是改一行 base_url，其他代码完全不用动。注册就送 ¥1 余额，够你先跑几十个文件试试效果。
如果你跑起来遇到问题，或者想要并发版本、支持更多语言的版本，评论区说一下，我来补。觉得有用的话点个赞，后续还会写更多 API 实战场景。