ai-pr-review · 让 4 个 AI 替我审 PR

解决 AI Coding 时代的新瓶颈——代码生成飞快、人工审查跟不上。3 个模型独立评审 + 1 个 Judge 融合去重，把单模型幻觉过滤掉约 30–40%，PR 一提交自动出评审报告。

它解决什么问题

用 AI 写代码之后，一天开十几个 PR 成了常态，但我自己审不过来——复制链接给 AI 审、贴评论、再让 Coding Agent 改，光是搬运就累够呛。代码生成的速度上去了，审查的速度没跟上，瓶颈变成了我自己。

怎么工作的

不是让一个 AI 审三遍，而是请”四个同事”：

• 3 个 Reviewer（豆包 / DeepSeek / GLM，三家不同厂商）各自独立看一遍，互相看不到对方结论——同源偏见被错开
• 1 个 Judge（豆包 Seed-Evolving）把三份意见去重、排优先级、过滤幻觉，合成一份报告贴回 PR

多个模型同时提到同一个问题 = 高置信度；只有一家提到 = 大概率是那家的幻觉，降级或丢弃。四个模型全走火山方舟的 OpenAI-compat 接口，一个 ARK_API_KEY 搞定。

我负责什么

• 整体架构：reviewer 并发评审 → judge 融合的流水线
• 融合规则：“多数原则 + 安全一票否决”——共识过滤噪音，关键词兜底安全
• 把仓库根目录的 AGENTS.md 自动注入每个 reviewer 的 system prompt，让评审从”通用检查”变成”懂这个项目”
• 打包成开箱即用的 GitHub Action，目标仓库一行 uses: + 一个 secret 即可接入

技术取舍

1. 三家厂商而非三次同款：利用不同 vendor 错误分布的独立性，才能同时降误报和漏报。
2. Judge 选 Seed-Evolving：长上下文 + 长程推理稳，且 Model ID 恒定、自动指向最新基座——零迁移成本，一直吃版本红利。
3. 只审不改：Action 负责审查和评论，不直接动代码；修改交给各自的 Coding Agent，职责干净。

现在的状态

已开源（MIT），正在我的多个项目仓库上稳定跑着。任意项目约 30 秒可装上。