近年来，随着大语言模型技术的迅猛发展，AI Coding 作为大模型技术落地的关键领域，已实现从理论探索到工业实践的跨越式发展。代码变更作为研发流程中的重要一环，标志着需求从本地编码到生产交付的过渡，同样往往伴随着潜在风险的引入。在此技术背景下，将大语言模型深度集成至代码审查环节具有重要工程价值。本次演讲我将介绍大模型与 CodeGraph 代码上下文检索相结合的方案，构建从模型调用到用户交互的完整架构。方案实施中重点解决模型输出不确定性修正、CodeGraph 高效跨语言解析及检索、DevOps 全链路集成等挑战，并基于接口链路分析实现风险主动阻断，为听众提供可落地的技术路径参考。

演讲提纲

1. AI CodeReview 现状&代码变更阶段常见风险

• 传统代码审查相关痛点及 AI CodeReview 现状
• 代码变更阶段常见风险

2. 解决思路与方案设计

• 方案设计：从底层模型调用到用户侧交互呈现的整体架构设计
• 大模型引入：行为链 + 领域知识库
• CodeGraph 引入：通过构筑代码上下文实现 CodeRAG
• 评测体系：方案演进过程中如何对模型及相关改动进行评测

3. 方案实施与项目实践

• 大模型不能解决一切问题：对大模型的输出进行评估修正，并将大模型发现的问题以合适的形式呈现给用户
• CodeGraph 的构建及维护：实现快速高效的跨语言代码仓库解析及存储，提供给外部进行检索
• DevOps 打通：结合代码变更各阶段流水线，实现 AI CodeReview 和 CodeGraph 的生命周期管理
• 接口链路分析：根据代码变更和 CodeGraph 生成完整接口链路，提前识别变更风险并阻断

4. 经验总结与未来展望

• AI CodeReview 如何发现更多，更有价值的问题
• 探寻 CodeGraph 更多的业务落地场景

您认为，这样的技术在实践过程中有哪些痛点？

• 模型输出仍存在较大不确定性，需要定期收集 Bad Case 并探索优化方案
• 不同语言的支持程度不同，取决于公司内部技术栈

演讲亮点

• 从 0 到 1 完整系统的构建实践
• 准确高效地将 Monorepo 的 CodeBase 转化为可供外部检索的 CodeGraph

听众收益

• 了解具体方案实施细节：对于基础模型建设相对薄弱的团队或公司，如何快速低成本地构建一套 AI CodeReview 系统
• 如何通过多种 RAG 加深模型对业务代码的理解