[code-review] Probot应用核心 | 审查协调器 - 教程

第2章：Probot应用核心（审查协调器）

欢迎回来

在第1章：GitHub Actions运行器（工作流集成）中，我们学习了ChatGPT-CodeReview机器人如何在拉取请求打开或更新时被GitHub激活。这就像打开了机器人的电源开关。

现在，是时候深入了解机器人启动后发生了什么。它如何知道该做什么？如何管理整个审查过程？

这正是Probot应用核心的功能——它是中央大脑，是"审查协调器"，负责做出所有决策并协调任务

它解决了什么问题？

想象我们有一个管理团队的项目经理

当新任务到来时，这个经理不只是传递任务；他们会分解任务，将部分分配给不同的团队成员，跟踪进度，并确保一切顺利交付最终结果。

Probot应用核心为我们的代码审查机器人扮演了完全相同的角色。它解决的问题是协调和决策。当GitHub告诉机器人"嘿，刚刚发生了拉取请求！"时，Probot应用核心立即行动：

判断发生了什么类型的事件（例如新PR或现有PR被更新）。
获取有关代码变更的所有必要细节
决定哪些文件需要审查，哪些应该忽略
将相关代码片段发送给AI
最后，将AI的反馈整理并发布回拉取请求

没有这个"协调器"，我们的机器人将只是一个坐在那里的程序，对接收到的GitHub事件不知所措

认识Probot：我们的GitHub应用工具包

机器人大脑的核心是一个名为Probot的特殊工具包

Probot是一个框架，可以非常轻松地构建与GitHub交互的应用。

可以将其视为GitHub应用的专用操作系统。

它处理所有复杂的事情，如接收来自GitHub的事件、身份验证和进行API调用，因此我们可以专注于机器人的独特逻辑。

1. 监听事件（机器人的耳朵）

Probot应用核心最基本的工作是监听来自GitHub的特定事件

就像我们可能监听电话铃声一样，机器人监听GitHub事件，如pull_request.opened（创建了新PR）或pull_request.synchronize（向现有PR推送了新变更）。

以下是机器人"告诉"Probot它关心哪些事件的方式：

// 文件: src/bot.ts (简化)
import { Probot
} from 'probot';
// Probot工具包
// ... 其他导入 ...
export const robot = (app: Probot) =>
{
// 这告诉Probot在特定PR事件发生时运行我们的代码
app.on(
['pull_request.opened', 'pull_request.synchronize'],
async (context) =>
{
// ... 我们机器人的主要审查逻辑将放在这里 ...
}
);
};

在这个片段中，app.on()是关键。就像设置通知规则。我们告诉Probot：“当pull_request.opened事件或pull_request.synchronize事件发生时，运行这个async (context) => { ... }函数中的代码。”

2. `context`对象（事件的细节）

当事件触发我们的机器人时，Probot不只是说"发生了PR！"它提供了一个丰富的信息包，称为context对象。这个context对象包含机器人需要了解的关于事件的所有内容，例如：

事件来自哪个仓库。
谁触发了事件（例如谁打开了PR）。
关于拉取请求本身的所有细节（标题、正文、更改的文件等）。
与GitHub交互的工具（如context.octokit）（例如获取更多数据或发布评论）。

可以将context视为随每个新任务一起到达的项目经理的说明书和工具箱。

// 在我们的app.on处理程序中（简化）
app.on(
['pull_request.opened', 'pull_request.synchronize'],
async (context) =>
{
const repo = context.repo();
// 获取仓库详情（所有者、名称）
const pull_request = context.payload.pull_request;
// 从事件中获取所有PR详情
// ... 我们使用这些细节来决定下一步做什么 ...
}
);

在这里，context.repo()快速提供有关仓库的信息，context.payload.pull_request提供触发事件的拉取请求的许多直接细节。

审查协调流程

现在机器人已经接收到事件并拥有所有context细节，审查代码的分步计划是什么？

以下是协调的简化视图：

深入代码（计划在行动中）

让我们看看包含Probot应用核心核心逻辑的src/bot.ts文件。我们将把app.on处理程序分解为其主要步骤。

初始化AI通信器：
协调器首先需要一种与AI对话的方式。

// 文件: src/bot.ts (摘录)
export const robot = (app: Probot) =>
{
const loadChat = async (context: Context) =>
{
// 这个函数设置我们与AI对话的方式，
// 使用GitHub的模型或像OpenAI这样的外部服务。
// 我们将在第4章更详细地探讨这一点！
// ... (为简洁省略细节) ...
return new Chat(process.env.OPENAI_API_KEY || process.env.GITHUB_TOKEN);
};
app.on(
['pull_request.opened', 'pull_request.synchronize'],
async (context) =>
{
const chat = await loadChat(context);
// 获取我们的AI通信器
if (!chat) {
// 如果我们无法与AI对话，就无法审查。
log.info('Chat初始化失败');
return 'no chat';
}
// ... 审查逻辑的其余部分 ...
}
);
};

loadChat函数负责建立与AI的连接。它可能使用来自GitHub secrets的API密钥或GitHub自己的AI模型。我们将在第4章：AI聊天接口（语言模型通信器）中详细了解其工作原理。

获取代码变更：
现在我们有了AI通信器，协调器向GitHub请求拉取请求中的实际代码差异（“补丁”）。

// 文件: src/bot.ts (摘录)
// ... 在app.on处理程序中 ...
const data = await context.octokit.repos.compareCommits({
owner: repo.owner,
repo: repo.repo,
base: context.payload.pull_request.base.sha, // 起始点提交
head: context.payload.pull_request.head.sha, // PR中的最新提交
});
let { files: changedFiles, commits
} = data.data;
// ... (获取仅最新变更的'synchronize'事件逻辑) ...

context.octokit是Probot提供的一个强大工具，允许我们的机器人与GitHub API交互。在这里，context.octokit.repos.compareCommits要求GitHub比较两个提交，并给我们一个changedFiles列表和中间的commits。

过滤文件：
并非拉取请求中的每个文件都需要审查。例如，我们可能希望忽略配置文件或图像变更。协调器应用过滤规则。

// 文件: src/bot.ts (摘录)
// ... 在app.on处理程序中 ...
const ignoreList = (process.env.IGNORE || '').split('\n').filter(Boolean);
const ignorePatterns = (process.env.IGNORE_PATTERNS || '').split(',').filter(Boolean);
const includePatterns = (process.env.INCLUDE_PATTERNS || '').split(',').filter(Boolean);
changedFiles = changedFiles?.filter((file) =>
{
// 这是过滤逻辑发生的地方。
// 它根据模式检查文件是否应包含或忽略。
// 我们将在第5章深入探讨这一点！
return !ignoreList.includes(file.filename) &&
/* 其他模式检查 */;
});
if (!changedFiles?.length) {
log.info('过滤后未发现变更');
return 'no change';
}

在这里，机器人从环境变量加载过滤设置（如IGNORE_PATTERNS），并使用它们缩小changedFiles的范围。我们将在第5章：文件过滤逻辑（范围管理器）中详细探讨这一点。

发送给AI审查：
有了过滤后的文件，协调器遍历它们，提取patch（每个文件的实际代码变更），并将其发送给AI以获取反馈。

// 文件: src/bot.ts (摘录)
// ... 在app.on处理程序中 ...
const reviewComments = [];
// 存储AI的建议
for (let i = 0; i < changedFiles.length; i++) {
const file = changedFiles[i];
const patch = file.patch || '';
// 实际代码变更
if (!patch || patch.length >
MAX_PATCH_COUNT) {
// 跳过差异过大的文件
continue;
}
try {
const res = await chat?.codeReview(patch);
// AI审查代码补丁！
if (!res.lgtm &&
!!res.review_comment) {
reviewComments.push({
path: file.filename,
body: res.review_comment,
position: patch.split('\n').length - 1, // 放置评论的位置
});
}
} catch (e) {
log.info(`审查 ${file.filename
} 失败`, e);
}
}

对于每个相关文件，chat?.codeReview(patch)是AI介入的时刻。它接收代码变更并返回其建议，这些建议随后被收集到reviewComments中。

发布审查评论：
最后，协调器收集所有AI的建议，并再次使用context.octokit将它们作为评论发布到拉取请求上。

// 文件: src/bot.ts (摘录)
// ... 在app.on处理程序中 ...
try {
await context.octokit.pulls.createReview({
repo: repo.repo,
owner: repo.owner,
pull_number: context.pullRequest().pull_number,
body: reviewComments.length ? "ChatGPT代码审查" : "LGTM ", // 总体摘要
event: 'COMMENT', // 表示我们正在添加评论
comments: reviewComments, // AI的所有具体评论
commit_id: commits[commits.length - 1].sha, // 附加到最新提交
});
} catch (e) {
log.info(`创建审查失败`, e);
}
log.info('成功审查', context.payload.pull_request.html_url);

这个context.octokit.pulls.createReview命令是机器人"回话"GitHub的方式，将AI的见解放在开发者可以看到的地方。

总结

Probot应用核心（审查协调器）是ChatGPT-CodeReview机器人的智能中心

它使用Probot框架监听GitHub事件，处理context信息，然后协调一系列操作：初始化AI通信器、获取代码变更、应用过滤规则、将代码发送给AI审查，最后将AI的反馈直接发布到拉取请求上。

它是一个项目经理，确保我们的自动化代码审查从头到尾顺利进行。

接下来，我们将了解这个协调器在现实世界中的位置和运行方式。深入第3章：部署配置（托管策略），了解如何将机器人提供给GitHub。

posted @ 2025-09-17 19:18 yfceshi 阅读(13) 评论(0) 收藏举报

刷新页面返回顶部

yfceshi