企业官网建设流程全解析

1. 项目概述：这不是一个“代码审查工具”，而是一套可嵌入开发流程的开源智能协作协议

你有没有过这样的经历：PR 提交后，等 Reviewer 点开 GitHub 页面、拉下 diff、逐行看、查上下文、翻文档、再写评论——整个过程动辄半小时起步，而真正有价值的反馈可能就三句话？我做前端架构师那会儿，团队平均每个 PR 的等待 Review 时间是 18.7 小时，其中超过 65% 的时间花在“打开页面→定位变更→理解意图→组织语言”这一串机械动作上。直到去年底，我和几位在字节、快手、蚂蚁做 infra 的老同事一起搭了个叫open-code-review的东西——它不替代人，也不试图“自动合并”，而是把 Code Review 这件事从“人工阅读+人工判断+人工表达”的三重负担里，拆解成可编程、可审计、可复用的原子能力。核心就三点：用 CLI 做入口，用 Git Diffs 做输入源，用 LLM Agent 做协同引擎。它不是另一个 ChatGPT 插件，也不是封装了 API 调用的玩具 CLI；它是一套定义清晰的协议层：当你运行ocr review --pr=123，它会自动 fetch diff、提取函数级变更上下文、调用本地或远程 LLM 实例、生成带引用锚点的结构化建议、并输出标准 JSON Schema 的 Review Report。这个 Report 可以直接被 CI 流水线消费，也能被飞书/钉钉机器人渲染成带跳转链接的卡片，甚至能喂给内部知识库做 pattern 归档。关键词里反复出现的 “codex cli”“zcode cli”“trae cli”，本质都是在尝试解决同一个问题：如何让大模型能力像git commit一样，成为开发者每天敲击键盘时自然延伸出的手指。而 open-code-review 的特别之处在于，它拒绝黑盒封装——所有 prompt 模板、diff 解析规则、LLM 调度策略、结果校验逻辑，全部开源、可 patch、可审计。比如它默认用diff -U0而非git show，是因为前者能稳定捕获跨文件移动的函数块；它强制要求每个 LLM 调用必须附带context_hash字段，是为了让后续有人质疑某条建议时，能秒级回溯到当时的 exact diff 片段和 model version。这玩意儿适合谁？不是给想“一键修复 Bug”的实习生用的，而是给那些已经用上 SonarQube、有明确 Code Style Guide、但苦于 Review 效率瓶颈的中大型技术团队。如果你的团队还在靠 Confluence 文档约定“新增接口必须加 OpenTelemetry trace”，那 open-code-review 就能把它变成一条可执行、可验证、可沉淀的 Review Rule。

2. 核心设计思路：为什么放弃 Web UI，死磕 CLI + Git Diffs + LLM Agent 三角架构

2.1 放弃 Web UI 不是技术保守，而是对协作链路真实瓶颈的精准识别

很多人第一反应是：“为啥不做个 VS Code 插件或者网页版？” 我们真做了 MVP 版本——一个带侧边栏的 GitHub App，用户点击按钮就能触发 Review。结果上线两周，日活不到 12 人，而同期 CLI 版本在内部三个团队的周使用频次是 470+ 次。根本原因不是“开发者不爱点按钮”，而是Review 行为天然发生在“提交之后、推送之前”这个极短的时间窗口里。Web UI 强制打断工作流：你刚写完git add . && git commit -m "feat: add user profile cache"，手还悬在键盘上，就得切出终端、打开浏览器、找 PR 链接、点按钮、等加载、看结果……这个过程平均耗时 42 秒（我们埋点统计过），而开发者心理阈值是 8 秒——超过这个时间，92% 的人会选择先git push，回头再说。CLI 则完全不同：ocr review --staged直接读取暂存区 diff，全程在当前 terminal tab 内完成，平均响应 3.2 秒。更关键的是，CLI 天然支持 pipeline 集成。比如我们团队的 pre-push hook 里加了一行：[ "$(ocr review --staged --fail-on-critical)" = "0" ] || exit 1，这就把“是否允许推送”这个决策权，从人的主观判断，变成了可配置、可审计的自动化守门员。Web UI 永远做不到这点——它无法介入 git 的底层 hook 链路。所以 open-code-review 的 CLI 定位，不是“为了命令行而命令行”，而是把 Review 能力下沉到 Git 这个事实标准的协议层里，让它像git diff一样成为基础设施的一部分。

2.2 Git Diffs 是唯一可信的“变更事实源”，比 AST 解析更鲁棒、比文件内容更轻量

所有号称“智能 Code Review”的工具，第一步都得回答：“到底要 Review 什么？” 常见方案有三种：读取整个文件内容、解析 AST 树、或者处理 Git Diff。open-code-review 死磕第三种，理由非常硬核：Git Diffs 是唯一同时满足“精确性、时效性、可追溯性”三要素的输入源。举个真实例子：某次重构中，一个 300 行的 utils.ts 文件被整体移动到 /shared 目录下，同时有 12 行逻辑被修改。如果读取文件内容，LLM 会看到“新文件”，完全丢失“这是旧文件的迁移+微调”这一关键语义；如果解析 AST，需要完整构建 TypeScript 编译环境，且对 JSX/TSX 混合项目兼容性极差（我们试过 swc、esbuild、tsc 三种 parser，失败率分别是 37%、29%、18%）；而 Git Diff 只需git diff HEAD~1 -- utils.ts，输出就是精准的+/-行，配合@@ -123,5 +123,7 @@的 hunk header，LLM 能瞬间理解“第 123 行附近有 2 行新增、0 行删除”。更重要的是，Diff 是可验证的：sha256sum一个 diff patch，就能作为 Review Report 的唯一 fingerprint。我们在 v0.4 版本引入了--diff-hash参数，每次 Review 报告里都会带上diff_fingerprint: "a1b2c3..."，这样当三个月后有人质疑“当时为啥没发现这个 N+1 查询”，运维同学只要git show a1b2c3... | ocr replay，就能用当时的 exact model 和 prompt 重新跑一遍，结果 100% 可复现。这种确定性，是任何基于文件内容或 AST 的方案都无法提供的。

2.3 LLM Agent 不是“调 API”，而是带状态机、带工具调用、带 fallback 策略的协同体

热词里反复出现的 “agent 和 llm 和 ai模型 有什么区别”，在这里必须掰开揉碎讲清楚。open-code-review 里的 LLM Agent，绝不是curl -X POST https://api.xxx.com/v1/chat/completions这种简单封装。它是一个三层状态机：

• State 1：Context Builder—— 接收 raw diff，用正则 + tree-sitter（轻量版）提取变更函数名、调用栈深度、关联 test 文件路径，生成 structured context JSON；
• State 2：Tool Orchestrator—— 根据 context 类型决定调用哪个 tool：如果是 SQL 变更，调用内置的sql-linter工具检查 WHERE 条件；如果是 React 组件，调用jsx-proptypes-checker验证 props 类型；只有当 tool 返回needs-llm-interpretation: true时，才进入 LLM 调用；
• State 3：Feedback Refiner—— LLM 输出原始文本后，Agent 会用 rule-based post-processor 过滤掉“建议添加注释”这类无效反馈（因为我们的团队规范明确禁止此类泛泛而谈），并强制注入file: "src/api/user.ts", line: 47, column: 12这样的精确定位 anchor。
  这个设计直接解决了热词里提到的 “chatgpt failed to start. unable to locate the codex cli binary” 这类问题——因为 Agent 的核心逻辑在 CLI 二进制里，LLM 只是它调度的一个可插拔组件。你可以用本地 Ollama 的 deepseek-coder:33b，也可以配飞书自建的 Qwen2.5-72b API，甚至可以 fallback 到规则引擎（当 LLM timeout 或返回空时，启动预设的 regex 规则库）。我们线上集群的 fallback rate 是 0.8%，但正是这不到 1% 的时刻，保证了 Review 流程永不卡死。顺便说一句，“deepseek 是属于哪个”——它属于Code-Specific LLM这一子类，和 CodeLlama、StarCoder2 同属一个技术谱系，特点是 tokenizer 针对代码 token 优化、训练数据含超 50% 开源代码、且原生支持长上下文（deepseek-coder-33b 支持 128K tokens）。但它不是 Agent，只是 Agent 可能调用的一个“工具”。

3. 核心实现细节：从ocr init到生成可审计 Review Report 的全链路拆解

3.1 初始化与配置：为什么ocr init必须生成 4 个文件，而不是一个 config.json

运行ocr init后，你会在项目根目录看到.ocr/目录，里面包含四个文件：config.yaml、rules/目录、prompts/目录、tools/目录。这不是过度设计，而是为了分离关注点，确保每个环节都可独立演进。

• config.yaml只存环境无关的元配置：比如llm_provider: "ollama"、default_model: "deepseek-coder:33b"、timeout_seconds: 90。它不包含任何业务规则，因此可提交到 repo，被所有成员共享。
• rules/目录存放团队级质量契约：比如no-missing-error-handling.yaml，内容是：

trigger: "catch.*?{[^}]*?throw" severity: critical message: "捕获异常后未做任何处理，请添加日志或重抛"

这个规则会被ocr review在调用 LLM 前预扫描 diff，命中即直接生成 report，跳过 LLM 调用——快且准。

• prompts/目录是LLM 的“操作手册”：review.jinja2模板里，有{{ diff_hunks | truncate(2000) }}这样的安全截断，防止超长 diff 导致 LLM token 溢出；还有{% if context.has_test_file %}请重点检查测试覆盖率是否同步更新{% endif %}这样的条件逻辑。所有 prompt 都用 Jinja2，方便团队用{% include "common_rules.md" %}复用基础规范。
• tools/目录是可执行的“专家小工具”：比如sql-validator.py，它不依赖 LLM，只用正则匹配SELECT.*?FROM.*?WHERE，然后检查是否有LIMIT子句——这种确定性检查，交给 Python 脚本比调 LLM 稳定 100 倍。

提示：ocr init生成的rules/里默认包含 7 条规则，覆盖“空 catch 块”、“硬编码密码”、“未处理 Promise rejection”等高频问题。但千万别直接用！必须根据团队技术栈调整：前端项目要删掉 SQL 规则，Java 项目要增加@Transactional缺失检测。我们吃过亏——某次用默认规则扫 Vue 项目，no-missing-error-handling规则误报了 23 次，因为 Vue 的try/catch常用于import()动态加载，根本不需要处理。

3.2 Diff 解析引擎：如何用 127 行 Rust 代码，实现比git diff更精准的变更定位

open-code-review 的 diff 解析器叫diffrust，它不是简单调用git diff，而是用 libgit2 绑定直接读取 Git 对象数据库。核心价值在于hunk 级别的语义合并。标准git diff对连续修改会产生多个小 hunk，比如：

@@ -10,3 +10,5 @@ function getUser(id) { return db.query('SELECT * FROM users WHERE id = ?', [id]); } + +export default getUser;

diffrust会识别出这是“函数末尾新增 export”，而非两个独立变更，并在 context 中标记semantic_change_type: "function_export_added"。这个能力来自其内部的hunk adjacency graph算法：对每个 hunk 计算file_path + line_range的哈希，若两个 hunk 的哈希距离 < 3 行，则合并为一个 logical change unit。实测在 1000+ 行的大型重构 PR 中，diffrust生成的 logical change units 比git diff减少 41%，LLM 处理效率提升明显。更关键的是，它支持cross-file move detection：当utils/date.ts的formatDate()函数被剪切粘贴到shared/date.ts时，diffrust会输出：

{ "type": "function_move", "from": {"file": "utils/date.ts", "start_line": 15}, "to": {"file": "shared/date.ts", "start_line": 8}, "content_hash": "d41d8cd98f00b204e9800998ecf8427e" }

这个content_hash就是函数体的 MD5，让 LLM 能明确知道“这不是新增函数，是迁移”。我们曾用这个能力，在一次微服务拆分中，自动识别出 87 个被迁移的工具函数，并生成《迁移影响清单》报告，节省了 3 人天的手动核对。

3.3 LLM Agent 调度器：如何用 3 层 fallback 机制，保证 Review 永不中断

Agent 的调度逻辑写在agent/orchestrator.rs里，核心是failure-aware routing。当收到一个 diff hunk，它按顺序尝试：

1. Rule Engine First：用rules/目录下的 YAML 规则做正则匹配。命中即返回{"severity":"critical","message":"xxx"}，耗时 < 5ms；
2. Tool Chain Second：若无规则命中，调用tools/下对应语言的 validator。比如 JS 变更调eslint --no-eslintrc --rule 'no-console: error'，Python 调pylint --disable=all --enable=missing-docstring。工具返回exit_code=0即通过，exit_code=1则提取 stdout 生成 feedback；
3. LLM Last Resort：仅当 rule 和 tool 都未给出明确结论时，才组装 prompt 发往 LLM。此时 prompt 已包含：
   • 当前 hunk 的 raw diff
   • diffrust生成的 semantic change type
   • 该文件的历史 commit frequency（来自git log -n 5 --format="%ad" -- file.ts）
   • 团队 rules 目录的摘要（如 “已启用 7 条规则，禁用 2 条”）

注意：LLM 调用本身也带 fallback。config.yaml中llm_fallback_providers可配置多个 endpoint，当 primary 超时（默认 45s），自动切到 secondary。我们生产环境配了 Ollama（本地）、飞书自建 Qwen（内网）、AWS Bedrock（公网），三者切换对用户完全透明。实测在 Ollama 崩溃时，fallback 到飞书 Qwen 的平均延迟是 2.1 秒，用户无感知。

3.4 Review Report 生成：为什么必须用 JSON Schema 而不是 Markdown

每次ocr review结束，都会输出一个report.json，其结构严格遵循 Open Code Review Schema v1.0 。这不是为了装逼，而是为了让 Review 结果成为可编程的数据资产。Schema 定义了 5 个必填字段：

• report_id: UUIDv4，全局唯一
• diff_fingerprint: SHA256 of raw diff patch
• llm_invocation_log: 包含 model_name、prompt_tokens、completion_tokens、timestamp
• findings: 数组，每个元素有file,line,column,severity,message,suggestion
• metadata:{ "triggered_by": "cli", "git_ref": "main@abc123", "ocr_version": "0.7.2" }

这个设计带来三个实际好处：

1. CI 集成零成本：Jenkins Pipeline 里加一行if jq -e '.findings[] | select(.severity=="critical")' report.json; then exit 1; fi，就实现了“有严重问题禁止合并”；
2. 知识沉淀自动化：我们用jq '.findings[] | select(.severity=="high")' report.json | jq -s 'group_by(.message) | map({message: .[0].message, count: length})'统计高频问题，每月自动生成《Top 5 设计反模式》简报；
3. 审计追踪可闭环：当某个 bug 在线上爆发，SRE 同学只要拿到故障 commit hash，执行git show abc123 | ocr replay --report-id xxx，就能看到当时 Review 是否遗漏了该问题——如果 report 里没有相关 finding，说明规则缺失；如果有但被忽略，说明流程执行不到位。这种可追溯性，是任何截图式、Markdown 式报告永远做不到的。

4. 实操全流程：从零部署到接入飞书机器人的手把手指南

4.1 本地环境搭建：绕过 npm install，用 cargo build 生成真正便携的二进制

open-code-review 的 CLI 是用 Rust 写的，编译产物是单文件二进制，这才是它能在各种 CI 环境（包括 Alpine Linux）稳定运行的根本原因。别信网上教程说的npm install -g open-code-review——那是个早已废弃的 Node.js 早期版本。正确姿势是：

# 1. 安装 Rust（只需一次） curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh -s -- -y source $HOME/.cargo/env # 2. 克隆并编译（推荐 release 模式，体积小 40%） git clone https://github.com/open-code-review/cli.git cd cli cargo build --release # 3. 将二进制复制到 PATH sudo cp target/release/ocr /usr/local/bin/

编译后ocr --version应输出ocr 0.7.2 (commit abc123)。关键点在于cargo build --release生成的二进制，静态链接了所有依赖，连libc都打包进去了。我们实测过：在 Docker Alpine 镜像里，./ocr --help直接运行，无需安装任何额外库。而 Node.js 版本在 Alpine 上必须apk add nodejs npm，还经常因 glibc 版本不匹配崩溃。另外，ocr init生成的.ocr/config.yaml里，llm_provider默认是"ollama"，这意味着你必须先装 Ollama：

# macOS brew install ollama ollama pull deepseek-coder:33b # Ubuntu curl -fsSL https://ollama.com/install.sh | sh sudo systemctl enable ollama sudo systemctl start ollama ollama pull deepseek-coder:33b

实操心得：Ollama 的deepseek-coder:33b模型需要至少 16GB RAM。如果机器内存不足，ocr review会卡在 LLM 调用阶段，且无明确错误提示。解决方案是改用deepseek-coder:1.3b（2GB RAM 即可），虽然能力稍弱，但对常规 JS/TS 代码 Review 完全够用。我们线上集群就用 1.3b，准确率 89.2%，而 33b 是 92.7%——3% 的提升换 14GB 内存，不划算。

4.2 配置飞书机器人：不用写一行代码，5 分钟完成消息卡片渲染

open-code-review 本身不提供飞书集成，但它输出的report.json是标准格式，飞书机器人只需做两件事：解析 JSON、渲染卡片。我们用飞书官方的 Bot Builder 创建机器人，然后在 Bot 设置里开启“接收消息事件”，最后在ocr review后加个管道：

# 生成 report.json ocr review --pr=123 --output-format=json > report.json # 用 curl 发送到飞书 webhook（token 从飞书后台获取） curl -X POST https://open.feishu.cn/open-apis/bot/v2/hook/xxx \ -H 'Content-Type: application/json' \ -d @<(cat <<EOF { "msg_type": "interactive", "card": { "elements": [ { "tag": "div", "text": { "content": "**Review Report for PR #123**\n\n✅ 2 high severity issues found", "tag": "lark_md" } }, { "tag": "action", "actions": [ { "tag": "button", "text": { "content": "View Full Report", "tag": "plain_text" }, "url": "https://your-ci-domain/reports/abc123.json", "type": "primary" } ] } ], "header": { "title": { "content": "🤖 open-code-review", "tag": "plain_text" } } } } EOF )

这个脚本的关键是@<(...)语法，它让 bash 把 here-document 当作文件传给 curl，避免了临时文件管理。飞书卡片里所有链接都指向可公开访问的 report.json URL（我们用 Nginx 静态托管），这样点击“View Full Report”就能看到带语法高亮的原始 JSON。我们还加了个小技巧：在 CI 流水线的post-step里，用jq '.findings[] | select(.severity=="critical")' report.json | wc -l统计 critical 数量，如果 >0，就在飞书卡片标题加 🔴 前缀，否则加 🟢——视觉上一眼区分风险等级。

4.3 高级场景：用 pre-commit hook 实现“提交即 Review”，彻底消灭低级错误

真正的效能提升，来自于把 Review 嵌入到开发者最自然的动作里——git commit。我们在.pre-commit-config.yaml里加了这一段：

- repo: local hooks: - id: open-code-review name: open-code-review entry: bash -c 'if [ -n "$(git status --porcelain)" ]; then ocr review --staged --fail-on-high || { echo "❌ open-code-review found high severity issues"; exit 1; }; fi' language: system pass_filenames: false types: [file]

这段配置的意思是：每次git commit时，先检查工作区是否有未暂存文件（git status --porcelain），如果有，就运行ocr review --staged；如果返回码非 0（即存在 high 或 critical 问题），则 commit 中断，并打印红色提示。注意--fail-on-high参数——它让 CLI 在发现 high 级别问题时返回 1，触发 pre-commit 的失败机制。我们团队用这个 hook 后，git commit失败率从 12% 降到 3.7%，而失败原因 91% 是“忘记处理 Promise rejection”或“新增 API 未加 auth guard”这类可预防问题。更妙的是，这个 hook 完全离线运行：Ollama 模型在本地，diff 解析在本地，整个过程不依赖任何网络，即使在飞机上写代码也能用。我们有个同事在跨太平洋航班上，用这个 hook 拦住了 3 次潜在的安全漏洞提交。

4.4 故障排查实战：当ocr review卡住时，如何 3 分钟定位根因

ocr review卡住是最常见的问题，但原因千差万别。我们整理了 5 个典型场景及速查命令：

独家技巧：ocr --debug是你的最佳朋友。它会输出完整的 diff 内容、生成的 prompt、LLM 的 raw response、以及最终的 findings 数组。我们曾用它发现一个隐藏 bug：当 diff 中包含 emoji（如// ✅ handle success），Ollama 的 tokenizer 会把 emoji 当作非法字符丢弃，导致 prompt 截断。解决方案是在config.yaml里加diff_encoding: "utf-8"，强制用 UTF-8 解析 diff。这个细节，官方文档里根本没提，但我们在 debug 日志里看到了invalid utf-8 sequence的 warning。

5. 常见问题与避坑指南：那些只有踩过才懂的“幽灵陷阱”

5.1 “claude code cli 如何给完全访问权限”——权限问题的本质是沙箱逃逸，不是勾选框

热词里频繁出现的 “claude code cli 如何给完全访问权限”，暴露了一个普遍误解：以为 CLI 权限是操作系统层面的 root 或 admin。实际上，open-code-review 的权限模型是三重沙箱隔离：

• Git 沙箱：ocr review只能读取当前 repo 的.git目录和工作区文件，无法访问/etc/passwd或其他 repo；
• LLM 沙箱：所有 prompt 都经过sandbox_prompt()函数过滤，移除system:、/etc/、curl http等潜在危险指令；
• Tool 沙箱：tools/目录下的脚本，运行时cwd被锁定在.ocr/tools/，且PATH只包含/usr/bin和/bin，无法调用rm -rf /。

所以所谓“完全访问权限”，其实是让 CLI 能读取你关心的所有代码文件。正确做法是：

1. 确保.gitignore没有误屏蔽.ts或.py文件（常见坑：*.ts会忽略index.ts）；
2. 在config.yaml中设置include_patterns: ["src/**/*", "test/**/*"]，显式声明扫描范围；
3. 如果用 monorepo，ocr init后手动编辑.ocr/config.yaml，把repo_root改为packages/frontend这样的子路径。

注意：网上流传的“给 CLI 完全权限 =sudo chmod 777 /usr/local/bin/ocr”是致命错误。这会让任何恶意脚本都能执行ocr，而ocr本身有读取.git/config的能力——等于泄露了你的 Git 仓库 remote URL。我们见过真实案例：某公司实习生执行了这种命令，结果黑客通过构造恶意 diff，让ocr读取了.git/config并回传到 C2 服务器。

5.2 “vs code gemini cli companion 怎么用”——VS Code 插件只是 CLI 的壳，核心逻辑全在终端

很多开发者被 VS Code 插件吸引，以为装了插件就万事大吉。但 open-code-review 的 VS Code 插件（叫open-code-review-vscode）本质上只是个CLI 的 GUI 封装器。它做的唯一事情，就是监听onDidSaveTextDocument事件，然后执行ocr review --file=${document.fileName}。所有 diff 解析、LLM 调用、report 生成，都在终端里完成。这意味着：

• 插件无法替代ocr init—— 你必须先在终端运行ocr init生成.ocr/目录；
• 插件不存储任何配置 —— 它读取的是.ocr/config.yaml，不是 VS Code 的 settings.json；
• 插件的“实时 Review”功能，其实每 30 秒执行一次ocr review --staged，和你在终端手动敲命令效果完全一样。

我们建议新手先忘掉插件，纯用 CLI 两周。因为插件会掩盖很多细节：比如当ocr review --staged报错时，插件只显示一个模糊的 ❌ 图标，而 CLI 会打印出完整的 stack trace。我们团队的新成员培训，第一课就是关掉所有插件，用ocr review --debug逐行分析自己的 PR diff。两周后，他们自己就能写出rules/no-console-in-prod.yaml这样的定制规则——这才是真正的掌握。

5.3 “codex cli 接入飞书”——飞书不是终点，而是可扩展的 notification channel

热词里 “codex cli 接入飞书” 的搜索量很高，但 open-code-review 的设计哲学是：notification 是可插拔的，不是绑定的。飞书只是众多 channel 中的一个。它的report.json输出，天然支持：

• 邮件：用mail -s "PR Review" team@example.com < report.json；
• 钉钉：飞书 webhook URL 换成https://oapi.dingtalk.com/robot/send?access_token=xxx；
• Slack：用curl -X POST -H 'Content-type: application/json' --data '{"text":"New report"}' https://hooks.slack.com/services/xxx；
• 内部 IM：只要你的 IM 系统支持 webhook，就能接入。

我们甚至用它对接了 Jira：当report.json里出现severity: "critical"，就用jq提取message和file，然后调用 Jira REST API 创建一个Bugissue，assignee 自动设为git blame的作者。这个 workflow 完全不用改 open-code-review 一行代码，全是靠 shell 脚本 glue 起来。所以别纠结“怎么接入飞书”，要问“我的团队用什么工具做协作？那个工具有没有 webhook？”——答案决定了你下一步怎么 glue。

5.4 “deveco cli”“trae cli”——它们和 open-code-review 的本质差异是协议开放性

热词里出现的deveco cli（华为 DevEco）、trae cli（字节 Traefik CLI），都是厂商封闭生态的产物。它们的共同特点是：

• CLI 二进制是加密的，无法查看源码；
• Review 规则硬编码在二进制里，无法自定义；
• 输出格式是私有 schema，无法被其他系统消费；
• LLM 模型只能调用厂商指定的 endpoint，无法切换。

而 open-code-review 的核心竞争力，恰恰是反其道而行之：

• 所有代码开源（MIT License），cargo build就能生成你自己的二进制；
• rules/目录让你用 YAML 写规则，比写 Java 代码简单 10 倍；
• report.json严格遵循公开 Schema，任何系统都能解析；
• config.yaml里llm_provider支持ollama/openai/qwen/bedrock四种，随时切换。

我们做过对比测试：用同一份 diff，deveco cli输出了 3 条建议，trae cli输出了 5 条，而ocr review输出了 12 条——不是因为它更“智能”，而是因为它允许我们添加rules/no-missing-jest-mock.yaml这样的业务规则，而厂商 CLI 根本不支持。所以选择工具，不要看它“能做什么”，要看它“允许你做什么”。

5.5 “cli anything”——CLI 的终极价值，是让 AI 能力像 Unix 工具一样组合

热词