中级 12 分钟开发

使用本地 LLM 阅读和修改代码(审查前 commit)

使用本地 LLM 审阅和修改代码(提交前审查)

使用本地大语言模型进行代码审查,可以让您获得一位自动完成初步审查的助手,帮助检查错误、边界情况和明显漏洞,同时始终无需将您的专有代码发送到云端。本指南介绍如何将 Ollama 模型接入您的 Git diff,设置一个在每次提交前对变更提出审查意见的 pre-commit 钩子,尤其会说明:与真正的人工审查相比,它的能力边界在哪里。

作者: Mohamed Meguedmi·更新于 2026-08-27·已在 Windows、macOS 和 Linux 上测试

#为什么要在本地进行代码审查

把 diff 粘贴到 ChatGPT 中让它帮忙审查,确实很方便——直到某天,这份 diff 中包含了 API 密钥、竞争对手的业务逻辑,或受保密协议(NDA)约束的代码。使用本地 LLM 审查代码可以从根本上解决这个问题:模型在您的机器上运行,代码始终不会离开 11434 端口。

专有代码
自有算法、业务逻辑、架构机密:任何内容都不会发送给可能记录或用于训练的第三方。
NDA 和保密条款
许多客户合同明确禁止将源代码发送给外部服务。本地运行通常是唯一合规的选择。
无持续性费用
不按 token 计费。你可以审阅每个 commit、每个分支,而不必盯着计数器。
支持离线运行
在列车上、在与外部网络物理隔离的场所,或在限制严格的企业代理网络环境中:仍然可以进行代码审查。
i
补充,而非替代品
本地大语言模型非常适合做第一轮检查:它能在代码交给同事之前发现那些简单明显的问题。它不能替代人工代码审查或 linter 工具——可以把它看作一道过滤器,先筛出低级错误,帮助审查者节省时间。

#LLM 擅长发现什么(又会漏掉什么)

打造专属 AI 助手的完整套件。

借助我们的经验和引导式路径,打造你的本地助手,在日常中使用你的 AI。

  • 在线空间,终身可用
  • PDF + 文件
  • 30 天内退款

在接入任何组件之前,必须先调整好预期。本地代码模型擅长识别局部且能从 diff 中看出的错误,但对需要了解系统其余部分的任务表现较弱。

表现良好:局部代码缺陷
差一位错误、条件写反、变量未初始化、资源未关闭、遗漏错误处理。
表现不错:识别明显的安全漏洞
字符串拼接导致的 SQL 注入、硬编码的敏感信息、未经验证的路径、危险的反序列化、基础 XSS 漏洞。
擅长:可读性
命名混乱,函数过长,存在死代码,差异中可见重复内容。
较弱:跨文件逻辑
它只能看到 diff。其他位置被破坏的 API 契约、全局不变量,以及在其他位置产生的副作用,都可能被它忽略。
较弱:业务意图
它不知道代码本应实现什么功能。它指出的问题看似合理,却不一定正确。
风险:误报和幻觉
它可能会捏造一个不存在的漏洞,或提出一个破坏原有行为的修复方案。一切都必须经过验证。

#先决条件

Ollama 已安装
守护进程默认监听 http://localhost:11434。如果尚未安装,请参阅 Ollama 安装指南。
一个 Git 仓库
代码审查依赖git diff,因此需要一个已纳入版本控制、且有待审查改动的项目。
代码模型
一个已下载到本地的代码专用模型(请参见下一节,根据您的 VRAM 选择模型)。
推荐使用 GPU
GPU 并非必需,但能让使用更顺畅:配备 12 GB 显存的 RTX 3060 足以运行 Q4 量化的 8–9B 模型。仅使用 CPU 也能运行,只是速度较慢。
终端 — 检查技术栈
# Le daemon répond ?
curl http://localhost:11434/api/tags

# Télécharger un modèle récent (exemple 9B)
ollama pull qwen3.5:9b

# Test rapide
ollama run qwen3.5:9b "Relis ce code : def add(a,b): return a-b"

#哪些本地模型适合审查代码

进行代码审查时,优先选择专门的代码模型,而不是通用模型:它更了解各编程语言的语法、惯用写法和常见陷阱。根据您的显存容量选择模型大小,并采用 Q4_K_M 量化(质量与内存占用之间的最佳折中)。以下标签属于 2026 年这一代模型,已在 Ollama 模型库中核实。

qwen3.5:9b — 约 7 GB VRAM
2026 年的入门之选。速度快,上下文长度为 256k,可在 RTX 3060 12 GB 或入门级 M 系列 Mac 上运行。适合审查较小的代码差异(diff)。
devstral:24b — 约 14 GB VRAM
适合大多数工作电脑的均衡之选。专长是编程和智能体代码编辑(Mistral AI,Apache 2.0),对细微 bug 的推理能力更强,可在配备 16 GB 显存的 RTX 4080 上运行。
qwen3-coder:30b — 约 19 GB VRAM
面向代码的MoE模型(30B参数,3B激活),256k上下文,速度很快。跨函数推理质量明显更高。需要24GB显存的RTX 4090,或统一内存充足的Mac。
替代方案
gpt-oss:20b(OpenAI 开放权重模型,速度很快)和 glm-4.7-flash(采用 MIT 许可证的 MoE 模型,在智能体模式下表现稳健)都是不错的选择;如果您手头只有一个模型,mistral-small(24B,法语表现良好)可以作为通用模型应急。
→
从小规模开始,必要时再扩展
9B 模型已能在不到一秒的时间内识别出 80% 的低级错误。只有当您发现小模型漏掉了您希望它指出的 bug 时,才选用 30B 模型。

#用一条命令手动进行代码审查

在实现自动化之前,先从按需手动审查开始。思路是:通过 Ollama 的 API 将尚未提交的改动 diff 发送给模型,再在终端中查看模型的反馈。这是接下来要设置的钩子的基础组件。

终端 — 审阅当前 diff
#!/usr/bin/env bash
# review.sh — relit les changements indexés (staged)
set -euo pipefail

DIFF=$(git diff --cached)
if [ -z "$DIFF" ]; then
  echo "Rien d'indexé à relire (git add d'abord)."
  exit 0
fi

PROMPT="Tu es un relecteur de code senior. Analyse ce diff Git et liste \
UNIQUEMENT les vrais problèmes (bugs, failles, cas limites). Format : \
- [gravité] fichier:ligne — problème puis correctif suggéré. \
Si le diff est correct, réponds 'RAS'. Diff :\n\n$DIFF"

jq -n --arg m "devstral:24b" --arg p "$PROMPT" \
  '{model:$m, prompt:$p, stream:false}' \
| curl -s http://localhost:11434/api/generate -d @- \
| jq -r '.response'

赋予脚本可执行权限(chmod +x review.sh),使用 git add 将变更加入暂存区,然后运行 ./review.sh。您会得到一份审查意见列表,可以自行选择忽略或采纳。此阶段没有任何阻断性检查——这是辅助代码审查,而不是把关机制。

#使用 Ollama 配置 pre-commit 钩子:分步说明

下一步:通过 pre-commit hook,在每次 git commit 时自动触发这项审查。有两种方式——原生 Git hook(零依赖)或 pre-commit 框架。下面详细介绍更易理解和审计的原生 hook。

  1. 01
    1. 创建 hook 文件
    Git hooks 位于 .git/hooks/ 中。创建 .git/hooks/pre-commit(不要添加扩展名)。Git 会在完成每次提交前自动执行它;非零退出码会取消提交。
  2. 02
    2. 编写审查脚本
    钩子获取已暂存的差异(diff),将其发送给 Ollama,并显示返回结果。请选择:仅提供信息(绝不阻止提交),或在模型输出表示严重程度的关键词时阻止提交。
  3. 03
    3. 使 hook 可执行
    chmod +x .git/hooks/pre-commit — 否则 Git 会忽略这个钩子,不给出任何提示。
  4. 04
    4. 测试
    对一个故意包含 bug 的文件执行 git add,然后执行 git commit。提交钩子应在提交前显示模型的反馈。
  5. 05
    5. 与团队共享(可选)
    .git/hooks/ 中的钩子不纳入版本控制。要共享这些钩子,请将 .githooks/ 文件夹纳入版本控制,并使用 git config core.hooksPath .githooks 将钩子路径指向该文件夹。
.git/hooks/pre-commit
#!/usr/bin/env bash
# Revue LLM locale avant commit. Informatif par défaut.
set -euo pipefail

MODEL="devstral:24b"
DIFF=$(git diff --cached --diff-filter=ACM)
[ -z "$DIFF" ] && exit 0

PROMPT="Relecteur senior. Liste seulement les vrais bugs, failles ou cas \
limites de ce diff, format '- fichier:ligne — souci'. Termine par la ligne \
'VERDICT: OK' si rien de bloquant, sinon 'VERDICT: REVOIR'. Diff:\n\n$DIFF"

OUT=$(jq -n --arg m "$MODEL" --arg p "$PROMPT" \
  '{model:$m, prompt:$p, stream:false}' \
  | curl -s http://localhost:11434/api/generate -d @- \
  | jq -r '.response')

echo "────── Revue LLM locale ──────"
echo "$OUT"
echo "──────────────────────────────"

# Mode bloquant optionnel : décommentez pour refuser le commit
# if echo "$OUT" | grep -q 'VERDICT: REVOIR'; then
#   echo "Commit bloqué. Corrigez ou 'git commit --no-verify' pour forcer."
#   exit 1
# fi
exit 0
!
阻止提交会增加使用阻力
只要模型提出任何意见就拒绝提交的钩子,很快就会被用 --no-verify 绕过,甚至被卸载。默认应让它只提供提示。如果要让它阻止提交,也只应针对严重问题(硬编码的秘密凭据、注入),绝不要因为代码风格而阻止提交。
i
使用 pre-commit 框架的版本
如果团队已经使用 pre-commit 工具(文件 .pre-commit-config.yaml),可以声明一个调用同一脚本的“system”类型本地 hook。优点:配置可版本控制且便于共享。缺点:多一个依赖。
.pre-commit-config.yaml(节选)
repos:
  - repo: local
    hooks:
      - id: revue-llm-locale
        name: Revue de code LLM locale (Ollama)
        entry: ./scripts/review.sh
        language: system
        stages: [pre-commit]
        pass_filenames: false

#完善评审提示词

使用 LLM 审查代码的质量主要取决于提示词。如果没有明确限定模型的审查范围,它就会用无用的代码风格意见淹没真正有价值的信息。以下三个原则能让输出切实可用。

限制范围
明确要求忽略代码风格,只报告缺陷、安全漏洞和边界情况。否则,每份代码差异都会收到十条纯粹针对外观的评论。
强制指定格式
严格的格式(- 文件:行 — 问题)能让输出便于快速浏览,也便于解析,方便您日后进一步利用。
请求明确的判定
像 'VERDICT: OK/REVOIR' 这样的最后一行提供了一个简单的二元信号,便于在具有阻断作用的钩子中进行检查。
提供语言和上下文
请明确编程语言,并在有帮助时说明项目约定。模型会据此调整检查内容(例如 C 语言中的内存管理、JS 中的 Promise)。
→
减少误报
在提示词中添加:“如果不确定,就不要报告。”这会让模型更侧重精确率,而非召回率——对于一个希望它少发警报、但每次警报都恰当的工具来说,这样更合适。

#坦诚看待与人工审查相比的局限

我们需要明确,本地 LLM 代码审阅工具有哪些事情做不到,以免产生虚假的安全感——最糟糕的结果,就是以为已经有了保障,提交代码时反而不够谨慎。

只能看到 diff 中的代码变更
它不了解仓库中的其余代码。如果某项修改导致另一个文件中的调用方无法正常工作,它也不会察觉。集成测试仍然必不可少。
不理解业务
它无法判断代码是否实现了工单要求的功能。它验证的是形式,而非意图。熟悉产品的人仍然不可替代。
误报与幻觉
它可能凭空编造一个漏洞,或给出错误的修复方案。采取行动之前,必须核实每一条意见——绝不要盲目修复。
不能替代代码静态检查工具或测试
代码检查工具(linter)、类型检查器和测试套件能够以确定性的方式捕获多类错误。LLM 是对这些工具的补充,不能替代它们。
取决于模型和提示词
一个提示词写得不好的 7B 模型,会漏掉一个设置得当的 32B 模型能够发现的内容。质量既无法保证,也无法精确到 token 地复现。
!
不要放松警惕
模型给出绿灯并不意味着“代码正确”,而是意味着“在这次 diff 中未检测到明显问题”。凡是涉及安全、支付、个人数据或关键逻辑的内容,都应保留人工审查。

#深入了解

如果您想进一步了解模型选择、IDE 集成或所需内存,本站的以下相关指南可以作为本指南的延伸阅读:

2026 年最适合编程的本地 LLM
Devstral、Qwen3-Coder 及其替代方案的详细对比,包含各模型的显存需求和速度。
VS Code 中的本地免费 Copilot
不止于 CLI 中的代码审查:使用 Cline、Tabby 和 CodeGeeX 在 IDE 中进行聊天与代码重构。
选择量化方案(Q4、Q5、Q8、FP16)
了解为什么推荐 Q4_K_M,以及如何让一个 32B 模型放入 16 GB 显存的 GPU。
这份指南对您有帮助吗?

有反馈、发现了错误,或想补充说明?请告诉我们,让这份指南对每个人都更有帮助。