先说结论:用不用得上 AI 代码审查,技术早就不是问题了,问题在数据流向。 大多数团队不是不想用 CodeRabbit、Greptile、Copilot,而是过不了自己公司的合规、或者甲方合同里那一句「源代码不得出境、不得上传第三方云平台」。
这篇文章不谈功能对比,只谈一件具体的事:怎么让 AI 代码审查在不出网的前提下跑起来,以及三种方案各自的真实代价。
一、先搞清楚数据到底流向了哪里
这是绝大多数采购决策里最模糊的一环。同样是「AI 代码审查」,代码的去向可以完全不同:
| 形态 | 代码流向 | 能否签「不出境」 | 典型代价 |
|---|---|---|---|
| SaaS 审查(CodeRabbit 等) | 上传到厂商服务器 → 再转发给模型厂商 | 不能 | 零运维,但合规过不去 |
| 自托管 + 外部模型 API | 你的机器 → 你选的模型厂商 | 看厂商是否在境内 | 一台 4G 内存机器 |
| 自托管 + 本地模型 | 全程不出机器 | 能,物理断网也可用 | 需要 GPU 或接受较慢速度 |
关键区别在第二行:「自托管」不等于「不出网」。很多工具宣传私有化部署,实际部署完还是把代码发给厂商自己的云模型——那不叫私有化,只是换了个上传点。
真正能满足「代码不出内网」的,只有第三种。但它有个前提:工具必须支持自带模型(BYOK),并且允许把模型地址指到内网。这一条把大部分 SaaS 产品直接排除掉了——它们商业模式的基础就是替你托管模型,结构上不可能开放。
二、四种部署形态,怎么选
形态 A:全 SaaS
最省事,零运维。适合没有任何代码出境限制的团队。有合规要求的,直接跳过。
形态 B:自托管 + 国产模型 API
审查程序跑在你自己的机器上,模型调用走 DeepSeek、通义千问、智谱、Kimi 这类境内 API。代码只发往这一家,可以在合同里写清楚。
这是性价比最高的选择:一台 4 核 8G 的机器就够,审查速度和效果都接近顶级商用模型,成本按 token 计(一次中等规模 PR 大约几毛到一块钱)。
形态 C:自托管 + 本地模型
用 Ollama 之类在本机或内网 GPU 服务器上跑开源模型(Qwen2.5-Coder、DeepSeek-Coder 等)。可以物理断网,适合军工、涉密、强监管场景。
代价要说实话:14B 级别模型在通用代码审查上能用,但对复杂业务逻辑的推断明显弱于云端大模型;70B 以上效果好,但需要 40G+ 显存。
形态 D:混合
敏感仓库走本地模型,公开仓库走 API。实际落地时这种最多——不是所有代码都同等敏感。
三、具体怎么搭(可执行配置)
下面以开源工具 RevHive 为例(BSL 许可,个人与开源项目免费),因为它的模型接入是纯环境变量,改起来最直接。换成其他支持 BYOK 的工具,思路一样。
1. 最小可用配置
services:
revhive:
build: .
env_file: .env
volumes:
- /path/to/your/repo:/work:ro # 只读挂载,避免工具改你的代码
working_dir: /work
# 不发布任何端口——它是 CLI,不监听网络
三个环境变量决定一切:
LLM_API_KEY=sk-xxxxxxxx LLM_BASE_URL=https://api.deepseek.com/v1 LLM_MODEL=deepseek-chat
换模型只改后两行。常用组合:
| 模型 | BASE_URL | MODEL |
|---|---|---|
| DeepSeek | https://api.deepseek.com/v1 | deepseek-chat |
| 通义千问 | https://dashscope.aliyuncs.com/compatible-mode/v1 | qwen-plus |
| 智谱 GLM | https://open.bigmodel.cn/api/paas/v4 | glm-4 |
| Kimi | https://api.moonshot.cn/v1 | kimi |
2. 完全离线
services:
ollama:
image: ollama/ollama
volumes: [ollama-models:/root/.ollama]
# 同样不发布端口,只有审查容器能访问
revhive:
depends_on: [ollama]
environment:
LLM_API_KEY: ollama
LLM_BASE_URL: http://ollama:11434/v1
LLM_MODEL: qwen2.5-coder:14b
这样配完,把网络出口全关掉,功能不受影响。审核时可以直接演示:拔网线跑一遍。
3. 接进 CI
# .gitlab-ci.yml
revhive:
stage: test
script:
- docker compose run --rm revhive review -d "$CI_MERGE_REQUEST_DIFF_BASE_SHA" \
--format json -o /reports/mr.json
artifacts:
paths: [reports/]
rules:
- if: $CI_PIPELINE_SOURCE == "merge_request_event"
JSON 输出方便接看板或工单系统;--format markdown 则适合直接贴进 MR 评论。
四、效果到底怎么样(诚实的部分)
AI 代码审查能稳定抓住的,是这几类:
- 注入、越权、密钥硬编码——规则和模式都很成熟,命中率高
- 并发与事务问题——读改写竞态、锁粒度、事务边界
- 缺失的错误处理与边界条件——空值、超时、重试
- 测试覆盖缺口——新增的资金/权限路径没有用例
抓不住的,也要说清楚:
- 业务逻辑错误——它不知道你的业务规则,只能猜意图
- 架构级问题——模块划分、依赖方向,需要人判断
- 性能的量化结论——能看出 N+1,但给不出真实压测数据
最实际的定位:把它当成一个永不疲倦、不嫌你烦的第一道 reviewer,而不是替代人。它的价值在于把「明显有问题的代码」挡在人工 review 之前,让人的时间花在真正需要判断的地方。
五、落地清单
如果准备在内网推这件事,按这个顺序走,不要反过来:
- 先确认数据流向能签——拿形态 B 或 C 的数据流图给安全/合规确认,这一关不过,后面全白做
- 选一个非核心仓库试点——不要一开始就上主力仓库,团队对误报的容忍度需要建立
- 跑两周再定门槛——先用「只提示不阻断」,统计误报率,再决定哪些级别设为合并阻断
- 把规则写进配置——哪些目录忽略、哪些 Agent 关掉、严重度阈值多少,这些要落到版本控制里
- 再接 CI 阻断——这一步放最后。先阻断后调优,团队会直接抵触
六、一句话总结
「代码不出内网」不是功能问题,是架构选择问题。选一个支持自带模型、允许你把模型地址指到内网的工具,剩下的都是配置工作。反过来,选了一个必须托管模型的 SaaS,再怎么谈也谈不出合规。
这也是为什么在这个场景里,工具的可配置性比功能列表重要得多。