Open Code Review 是什么？

Open Code Review 是一款 AI 驱动的代码审查 CLI 工具。它的前身是阿里集团内部官方 AI 代码审查助手，过去两年在内部服务了数万开发者，识别了数百万个代码缺陷。经过大规模充分验证后，我们将其孵化为开源项目，对社区开放。只需配置一个模型端点即可使用。

它读取 Git diff，通过具备工具调用能力的 Agent 将变更文件发送至可配置的 LLM，生成具有行级精度的结构化审查意见。Agent 可以读取完整文件内容、搜索代码库、检查其他变更文件以获取上下文，从而进行深度审查——而非仅停留在表面的 diff 反馈。除了 diff 审查，ocr scan 可以审查整个文件，适用于审计不熟悉的代码库或没有有意义 diff 的目录。

访问官方网站了解更多信息。

基准测试

相比通用 Agent（Claude Code），Open Code Review 在相同底层模型下取得了显著更高的 准确率（Precision） 与 F1 综合得分，同时仅消耗 约 1/9 的 token、审查更快。但召回率（Recall）低于通用 Agent——这是以精准度换取低噪声的设计取舍。

基于真实场景的代码审查基准测试，从 50 个热门开源仓库中精选 200 个真实的 Pull Request，覆盖 10 种编程语言——由 80+ 位资深工程师交叉标注验证（共 1,505 个标注缺陷）。

在 Hugging Face 上探索 AACR-Bench 数据集。

| 指标 | 含义 | 为什么重要 | |------|------|-----------| | F1 | 准确率与召回率的调和均值 | 综合衡量审查质量的最佳单一指标 | | 准确率 (Precision) | 报告的问题中真正有效的比例 | 越高 = 误报越少，减少人工确认成本 | | 召回率 (Recall) | 真实缺陷中被发现的比例 | 越高 = 漏报越少，更多问题不会遗漏 | | 平均耗时 (Avg Time) | 每次审查的实际耗时 | 决定 CI 流水线的等待时间 | | 平均 Token (Avg Token) | 每次审查消耗的总 token 数 | 直接影响 API 使用成本 |

为什么选择 Open Code Review？

通用 Agent 的局限

如果你深度用过 Claude Code 等通用 Agent + Skills 方案做代码审查，可能对以下问题深有同感：

• 覆盖不全 —— 变更较大时，Agent 倾向于"偷懒"，选择性地审查部分文件，导致遗漏。
• 位置漂移 —— 报告的问题与实际代码位置常常对不上，出现行号或文件偏移。
• 效果不稳定 —— 基于自然语言驱动的 Skills 难以调试，审查质量因提示词的细微差异而大幅波动。

这些问题的根源在于：纯语言驱动的架构缺乏对审查流程的强约束。

核心设计：确定性工程 × Agent 混合驱动

Open Code Review 的核心设计理念是将确定性工程与 Agent 结合，各司其职。

确定性工程——负责强约束

对代码审查场景中"不能出错"的环节，由工程逻辑而非语言模型来保证：

• 精准的文件筛选 —— 明确哪些文件需要审查、哪些应当过滤，确保真正重要的改动一个不漏。
• 智能的文件打包 —— 将关联文件归并为同一审查单元（例如 message_en.properties 与 message_zh.properties 会被打包在一起）。每个包会作为 sub-agent 进行任务，它们之间的上下文是隔离的——这一分治策略在超大变更场景下表现更为稳定，同时天然支持并发审查。
• 精细化规则匹配 —— 针对不同文件的特征，匹配对应的审查规则，确保模型的注意力足够聚焦，从源头规避信息噪声的干扰。相比纯语言驱动的规则引导，基于模板引擎的规则匹配行为更稳定、结果更可预期。
• 外挂的定位与反思组件 —— 独立的评论定位模块与评论反思模块，系统性地提升 AI 反馈的位置准确性与内容准确性。

Agent——负责动态决策

将 Agent 的优势集中发挥在它真正擅长的地方——动态决策、动态召回上下文：

• 场景化提示词调优 —— 针对代码审查场景深度优化提示词模板，在提升效果的同时有效降低 Token 消耗。
• 场景化工具集沉淀 —— 基于对大量线上数据中工具调用轨迹的深入分析，包括不同工具的调用频率分布、单一工具的重复调用率、新增工具对整体调用链路的影响等多维度分析，从而对通用 Agent 工具集进行取舍与拆分，最终沉淀出一套在代码审查场景下效果更稳定、行为更可预期的专属工具集。

如何使用

前置条件

• Git >= 2.41 — Open Code Review 依赖 Git 进行 diff 生成、代码搜索和仓库操作。

CLI

安装

npm install -g @alibaba-group/open-code-review

安装后，ocr 命令即可全局使用。

其他安装方式（安装脚本、GitHub Release 二进制、源码构建），详见安装指南。

快速开始

1. 配置 LLM

在审查代码之前，必须先配置 LLM。除非你使用委托模式。

ocr config provider          # 选择内置供应商或添加自定义供应商
ocr config model             # 为当前供应商选择模型

交互式界面会引导你完成供应商选择、API Key 输入和模型配置，完成后自动测试连通性。

命令行设置、环境变量、自定义供应商等高级配置，详见配置指南。

2. 开始审查

cd your-project

# 工作区模式 —— 审查所有暂存、未暂存和未跟踪的变更
ocr review

# 分支范围 —— 评审 feature-branch 自与 main 分叉以来的变更（合并基准模式）
ocr review --from main --to feature-branch

# 单个提交
ocr review --commit abc123

# 恢复中断的区间或单 commit 评审
ocr session list
ocr review --from main --to feature-branch --resume <session-id>

# 全量文件扫描 —— 审查整个文件而非 diff（无需 git 历史）
ocr scan                          # 扫描整个仓库
ocr scan --path internal/agent    # 扫描指定目录或文件
ocr scan --resume <session-id>   # 恢复中断的全量文件扫描

# 将结果输出到文件（AI 宿主 agent 推荐）
ocr review --format json --output result.json

# 委托模式 — 让你的 AI 编程 agent 自己执行评审
# OCR 负责文件选择和规则解析；无需配置 LLM
ocr delegate preview
ocr delegate rule src/main.go src/handler.go

文档

完整文档见 open-codereview.ai/docs：

• 快速开始 —— 安装并运行你的第一次评审
• 安装 —— 覆盖各平台与包管理器
• CLI 参考 —— 所有命令与参数
• 评审规则 —— 深度定制规则进行评审，过滤路径、指定路径等
• 配置 —— 配置项与环境变量
• MCP 服务器 —— 用外部工具扩展评审 agent
• 编程 Agent 集成 —— 选择你使用的平台
  • Claude Code —— 安装包含评审斜杠命令的插件
  • Codex —— 安装包含可调用评审 Skill 的插件
  • Cursor —— 安装包含可移植评审 Skill 的插件
  • OpenCode —— 安装原生评审工具和斜杠命令
  • QCA Forward —— 使用 QCA 宿主模型运行委托模式，并提供可发布的模板
  • 兼容 Skill 的 Agent —— 安装可移植的 Agent Skill
• 评审执行模式 —— 完成集成后，选择由哪个 LLM 执行评审
  • 默认模式（OCR 驱动） —— OCR 使用其已配置的 LLM 执行评审
  • 委托模式 —— 编程 Agent 使用自身的 LLM 执行评审；无需 OCR API Key
• CI/CD 集成 —— 支持 GitHub Actions、GitLab CI、GitFlic CI、Gerrit 集成
• 会话查看器 —— 在浏览器中浏览和回放评审会话
• 遥测 —— OpenTelemetry 集成，用于可观测性
• FAQ —— 常见问题与故障排查

贡献

感谢所有为本项目做出贡献的人。参见 CONTRIBUTING.zh-CN.md 了解开发环境搭建、编码规范以及如何提交 Pull Request。

许可证

Apache-2.0 — Copyright 2026 Alibaba