基于大模型 + 知识库的 Code Review 实践

抛砖引玉，作者对大模型 LLMs 认知有限，有不当之处望大家指正！

名词解释

名词	释义
CR / Code Review	越来越多的企业都要求研发团队在代码的开发过程中要进行CodeReview（简称 CR），在保障代码质量的同时，促进团队成员之间的交流，提高代码水平。
llm / 大规模语言模型	大规模语言模型(Large Language Models,LLMs)是自然语言处理中使用大量文本数据训练的神经网络模型,可以生成高质量的文本并理解语言。如GPT、BERT等。
AIGC	利用NLP、NLG、计算机视觉、语音技术等生成文字、图像、视频等内容。 全称是人工智能生成/创作内容（Artificial Intelligence Generated Content）；是继UGC，PGC后，利用人工智能技术，自动生成内容的生产方式；AIGC底层技术的发展，驱动围绕不同内容类型（模态）和垂直领域的应用加速涌现。
LLaMA	Meta（Facebook）的大型多模态语言模型。
ChatGLM	ChatGLM 是一个开源的、支持中英双语的对话语言模型，底座是 GLM 语言模型。
Baichuan	Baichuan 2 是百川智能推出的新一代开源大语言模型，采用 2.6 万亿 Tokens 的高质量语料训练。
Prompt	一段文本或语句，用于指导机器学习模型生成特定类型、主题或格式的输出。在自然语言处理领域中，Prompt 通常由一个问题或任务描述组成，例如"给我写一篇有关人工智能的文章"、"翻译这个英文句子到法语"等等。在图像识别领域中，Prompt 则可以是一个图片描述、标签或分类信息。
langchain	LangChain 是一个开源Python 库，由 Harrison Chase 开发，旨在支持使用大型语言模型（LLM）和外部资源（如数据源或语言处理系统）开发应用程序。它提供了标准的接口，与其他工具集成，并为常见应用程序提供端到端链 。
embedding	将任意文本映射到固定维度的向量空间中，相似语义的文本，其向量在空间中的位置会比较接近。在 LLM 应用中常用于相似性的文本搜索。
向量数据库 (Vector stores)	存储向量表示的数据库，用于相似性搜索。如Milvus、Pinecone等。
Similarity Search	在向量数据库中搜索离查询向量最近的向量，用于检索相似项。
知识库	存储结构化知识的数据库,LLM可以利用这些知识增强自己的理解能力。
In-context Learning	In-Context Learning 是机器学习领域的一个概念，指不调整模型自身参数，而是在 Prompt 上下文中包含特定问题相关的信息，就可以赋予模型解决新问题能力的一种方式。
Finetune / 微调	在预训练模型基础上使用特定数据集进行微调，提升模型在某任务上的性能。

背景

💡想法源于在一次 Code Review 时，向 Claude 询问哪种写法代码更优雅得来。当时就想能不能让 AI 帮我们辅助做 Code Review？

痛点

• 信息安全合规问题 ：公司内代码直接调 ChatGPT / Claude 会有安全/合规问题，为了使用 ChatGPT / Claude 需要对代码脱敏，只提供抽象逻辑，这往往更花时间。
  • 三星引入ChatGPT不到 20 天，被曝发生3次芯片机密泄露
• 低质量代码耗费时间：达人业务每天至少 10~20 个 MR 需要 CR，虽然提交时 MR 经过 单测 + Lint 过滤了一些低级错误，但还有些问题（代码合理性、经验、MR 相关业务逻辑等）需要花费大量时间，最后可以先经过自动化 CR，再进行人工 CR，可大大提升 CR 效率！
• 团队 Code Review 规范缺少执行：大部分团队的 Code Review 停留在文档纸面上，成员之间口口相传，并没有一个工具根据规范来严格执行。

介绍

一句话介绍就是：基于开源大模型 + 知识库的 Code Review 实践，类似一个代码评审助手（CR Copilot）。

特性

符合公司安全规范，所有代码数据不出内网，所有推理过程均在内网完成

• 🌈 开箱即用：基于 Gitlab CI，仅 10 几行配置完成接入，即可对 MR 进行 CR。
• 🔒 数据安全：基于开源大模型做私有化部署，隔离外网访问，确保代码 CR 过程仅在内网环境下完成。
• ♾ 无调用次数限制：部署在内部平台，只有 GPU 租用成本。
• 📚 自定义知识库：CR 助手基于提供的飞书文档进行学习，将匹配部分作为上下文，结合代码变更进行 CR，这将大大提升 CR 的准确度，也更符合团队自身的 CR 规范。
• 🎯 评论到变更行：CR 助手将结果评论到变更代码行上，通过 Gitlab CI 通知，更及时获取 CR 助手给出的评论。

实现思路

流程图

系统架构

完成一次 CR 流程，需要用到如下技术模块：

LLMs / 开源大模型选型

CR Copilot 功能的核心在于大语言模型基座，基于不同大模型基座生成的 CR 质量也不尽相同。对于 CR 这个场景，我们需要选型的模型满足以下几个条件：

• 理解代码
• 对中文支持好
• 较强的上下文学习能力

FlagEval 8 月大模型评测榜单（https://flageval.baai.ac.cn/#/trending）

模型后面的 -{n}b 指 n*10 亿参数量，比如 13b 就是 130 亿参数，个人试用下来参数量的多少并不能决定效果怎样，根据实际情况来判断。

起初在众多大模型中选择『Llama2-Chinese-13b-Chat』和『chatglm2-6b』、『Baichuan2-13B-Chat』，通过一段时间模型赛马🐎，主观上感觉 Llama2、Baichuan2 会更适用于 CR 场景，而 ChatGLM2 更像是文科生，对代码评审没有太多建设性建议，但在中文 AIGC 上会比较有优势！

两个模型执行过程中的记录

因大模型合规问题，CR Copilot 会默认使用 ChatGLM2-6B ，如有使用 Llama2 模型需求需要向 Meta 申请，通过后可使用。

Llama 2 要求企业的月活用户数不超过 7 亿

目前支持的模型可选，仅供参考的评分如下：

• chatglm2-6b（默认）
• Llama2-Chinese-13b-Chat
• Baichuan2-13B-Chat

知识库设计

为什么需要知识库？

大模型基座只包含互联网上的公开数据，对公司内部的框架知识和使用文档并不了解。

举个例子🌰：公司内有个框架叫 Lynx，让大模型从内部文档中知道『什么是 Lynx ？』、『怎么写 Lynx？』

一图胜千言

这里的『强化模式』会使用向量数据库，并将匹配的知识库片段和问题『什么是 Lynx？』生成 Prompt，发送到 LLM 执行。

怎样找到相关度高的知识？

有了知识库后，怎样将我们『搜索的问题/代码』在『知识库』中找到『相关度最高的内容』？

答案是通过三个过程：

1. Text Embeddings（文本向量化）
2. Vector Stores（向量存储）
3. Similarity Search（相似性搜索）

文本相似度匹配流程图，图源 Langchain-Chatchat

Text Embeddings（文本向量化）

不同于传统数据库的模糊搜索/匹配关键字，我们需要进行语义/特征匹配。

例如：你搜索『猫』，只能得到带 『猫』 关键字匹配的结果，没办法得到 『布偶』、『蓝白』 等结果，传统数据库认为『布偶』是『布偶』、『猫』是『猫』。要实现关联语义搜索，是通过人工打特征标签，这个过程也被称为特征工程（Feature Engineering）。

如何才能将文本自动化的方式来提取这些特征？这就要通过 Vector Embedding 向量化实现，目前社区通过 OpenAI 提供的 text-embedding-ada-002 模型生成，这会引起两个问题：

1. 数据安全问题 ：需要调用 OpenAI 的 API 才能做向量化
2. 收费：大概 3000页/美元

我们使用了国产文本相似度计算模型 bge-large-zh，并私有化部署公司内网，一次 embedding 向量化耗时基本在毫秒级。

Vector Stores（向量存储）

提前将官方文档进行 Vector Embeddings，然后存储在向量数据库里，我们这里选择的向量数据库是 Qdrant，主要考虑到是用 Rust 写的，存储和查询也许会快一些！这里引用一个向量数据库选型的几个维度选择：

向量数据库	URL	GitHub ** **Star	Language	Cloud
chroma	github.com/chroma-core...	8.5K	Python	❌
milvus	github.com/milvus-io/m...	22.8K	Go/Python/C++	✅
pinecone	www.pinecone.io/	❌	❌	✅
qdrant	github.com/qdrant/qdra...	12.7K	Rust	✅
typesense	github.com/typesense/t...	14.4K	C++	❌
weaviate	github.com/weaviate/we...	7.4K	Go	✅

数据截止到2023年9月10号

Similarity Search（相似性搜索）

原理是通过比较向量之间的距离来判断它们的相似度

那么有了『query 问题的向量』和『数据库里录入的知识库向量』后，这可以直接使用向量数据库提供的 Similarity Search 方式匹配相关内容。

加载知识库

CR Copilot 知识库分为『内置官方文档知识库』、『自定义知识库』，query 输入是先用完整代码截取前半段 + LLM 生成 summary 总结，然后和知识库做相似上下文，匹配流程如下：

截取完整代码前半段作为 query 输入，是因为大部分语言前半段都声明了 modules、packages，通过这种方式提高知识库相似匹配度。

官方文档-知识库（内置）

避免大家将官方文档重复录入、embedding，CR Copilot 内置了官方文档，目录包含：

内容	数据源
React 官方文档	react.dev/learn
TypeScript 官方文档	www.typescriptlang.org/docs/
Rspack 官方文档	www.rspack.dev/zh/guide/in...
Garfish	github.com/web-infra-d...
公司内 Go / Python / Rust 等编程规范	...

并通过一个简单的 CURD 来管理内置知识库

自定义知识库-飞书文档（自定义）

飞书文档没有格式要求，能看懂正确代码是怎样就行

这里直接使用 LangChain 提供的 LarkSuite 文档加载类，对有权限的飞书文档进行获取，使用 CharacterTextSplitter / RecursiveCharacterTextSplitter 将文本分割成固定长度的块（chunks），方法有两个主要参数：

• chunk_size: 控制每个块的长度。例如设置为 1024，则每个块包含 1024 个字符。
• chunk_overlap: 控制相邻两个块之间的重叠长度。例如设置为 128，则每个块会与相邻块重叠 128 个字符。

Prompt 指令设计

因为大模型有足够多的数据，我们想让大模型按要求执行就需要用到『Prompt 提示词』。

（图源 Stephen Wolfram）

代码 summary 总结指令

让 LLM 通过文件代码分析当前代码涉及的知识点，用于后续知识库相似度匹配：

prefix = "user: " if model == "chatglm2" else "<s>Human: "
suffix = "assistant(用中文): let's think step by step." if model == "chatglm2" else "\n</s><s>Assistant(用中文): let's think step by step."

return f"""{prefix}根据这段 {language} 代码，列出关于这段 {language} 代码用到的工具库、模块包。
{language} 代码:
```{language}
{source_code}
```
请注意：
- 知识列表中的每一项都不要有类似或者重复的内容
- 列出的内容要和代码密切相关
- 最少列出 3 个, 最多不要超过 6 个
- 知识列表中的每一项要具体
- 列出列表，不要对工具库、模块做解释
- 输出中文
{suffix}"""

其中：

• language：当前文件的代码语言（TypeScript、Python、Rust、Golang 等）
• source_code：是当前变更文件的完整代码

CR 指令

如果使用的模型（如 LLaMA 2）对中文 Prompt 支持较差，需要在设计 Prompt 时采用『输入英文』『输出中文』的方式，即：

# llama2
f"""Human: please briefly review the {language}code changes by learning the provided context to do a brief code review feedback and suggestions. if any bug risk and improvement suggestion are welcome(no more than six)
<context>
{context}
</context>

<code_changes>
{diff_code}
</code_changes>\n</s><s>Assistant: """

# chatglm2
f"""user: 【指令】请根据所提供的上下文信息来简要审查{language} 变更代码，进行简短的代码审查和建议，变更代码有任何 bug 缺陷和改进建议请指出（不超过 6 条）。
【已知信息】：{context}

【变更代码】：{diff_code}

assistant: """

其中：

• language：当前文件的代码语言（TypeScript、Python、Rust、Golang 等）
• context：根据知识库返回的上下文信息
• diff_code：是变更的代码（不使用完整代码主要是考虑 LLM max_tokens 最大限制）

评论到变更代码行

为了能计算出变更代码行，写了一个函数，通过解析 diff 来输出变更的行数：

def parse_last_diff(git_diff):
    diff_list = git_diff.split("\n")[::-1]
    last_line_first_char = diff_list[1][0] if len(diff_list) > 1 else None

    lastOldLineCount = ""
    lastNewLineCount = ""
    for item in diff_list:
        match = re.search(r"^@@ \-\d+,\d+ \+\d+,\d+ @@", item)
        if match:
            lastOldLineCount, lastNewLineCount = re.sub(
                r"@@ \-(\d+),(\d+) \+(\d+),(\d+) @@.*",
                lambda match: str(int(match.group(1)) + int(match.group(2)))
                              + ","
                              + str(int(match.group(3)) + int(match.group(4))),
                item,
            ).split(",")
            break

    if not lastOldLineCount.isdigit() or not lastNewLineCount.isdigit():
        return {
            "lastOldLine": -1,
            "lastNewLine": -1,
        }

    last_old_line = -1 if last_line_first_char == "+" else int(lastOldLineCount) - 1
    last_new_line = -1 if last_line_first_char == "-" else int(lastNewLineCount) - 1

    return {
        "lastOldLine": last_old_line,
        "lastNewLine": last_new_line,
    }

这里机器人账号调用 Gitlab API 进行的评论，会默认被 Resolved，这样可以避免 CR Copilot 评论过多造成每个评论要手动点下 Resolved

一点感想

• 一切皆概率：基于 LLM 的应用最大特点在于『输出不确定性』，在候选词中选概率最高的进行输出，即使像 1+1=? 这样看起来有确定性输出的，LLM 也是基于概率给出的！
• 开源 LLMs + 领域知识库 + 私有化部署是企业级应用的一种实践方式： ：
  • 这里 LLMs 指多个大模型组合使用；大模型再强大也必须结合内部的知识库才能发挥作用；
  • 私有化部署好处是打消各行各业对数据安全的担忧！
  • 大模型在 Chat 聊天的产品形态更多是秀肌肉💪，让各行各业能被触达到；最终的产品形态需要具体场景具体分析！
• AI+ 刚刚开始：CR Copilot 只是达人 LLMs + 研发工程化其中一个应用场景，还有一些应用/工具等达人团队打磨好后再和大家一起分享！

加入我们

最后，如果您对 LLMs+、前端 React、后端 Golang 等领域感兴趣，欢迎加入我们，用最适合的技术服务好业务，和业务一起成长！job.toutiao.com/s/ieD4KuyR