摘要：通过这篇文章，你将了解到Claude Code用于CR的流水线搭建原理和效果，如何在1分钟内接入你的代码项目，并启发你对AI Coding Agent用于CI/CD提效的思考。
通过这篇文章，你将了解到Claude Code用于CR的流水线搭建原理和效果，如何在1分钟内接入你的代码项目，并启发你对AI Coding Agent用于CI/CD提效的思考。
Aone为阿里一站式智能研发协同平台，实际操作可替换其他对应平台。
当前CR流程说明：目前我们组的CR流程，是研发完成代码开发后，在代码平台上手动开启代码评审单，交由多位同学人工评审，同时触发Aone AI评审。
当前流程的主要问题如下：
1. 人工评审耗时较长，员工心力消耗大，可能会拖慢小组整体的研发节奏，同时也不一定保证能发现所有问题；
2. 现有的代码分析、AI评审工具，也都存在一些经常发生的问题：
误报较多；分析不够深入，无法联合分析上下游代码，许多业务逻辑问题难发现；纠正意见不太实用。我们尝试利用Claude Code的强大AI Coding Agent能力，结合AONE MCP Server，来在代码平台CI流水线中实现更智能的AI代码评审，为团队提供一个低成本、高收益的代码质量检查工具。
Claude Code 官方文档：https://docs.anthropic.com/zh-CN/docs/claude-code/quickstart
当代码评审开启以及后续新增commit时，会触发CR流水线开启AI分析，最终将分析结果同步至CR评论区，如下图（发现了项目里一直存在但没人提出的死循环阻塞获取限流锁的代码）。
目前体感来看，许多AI建议是有必要的、能启发人的。其中，人分析到但AI没考虑到的情况比较少。但是，因为还在调试阶段，所以也不是能解决全部问题。因此，估摸给个数字的话，可能是 提效50% 以上。
长期预测来看，如果后续调教优化得好，应该在以下2方面给CR工作带来明显收益：
提效：辅助人工，大幅减少发现问题、分析问题、给出建议的时间，80%不是问题；提质：超越人工，发现人工察觉不了的潜在问题，给质量工程满满安全感；1. 可配置的Claude Code流水线模板
封装了一个流水线模板在代码平台市场，提供了自动安装最新Claude Code的容器环境，支持配置Claude Code API相关信息、Aone MCP Server API、容器执行Shell脚本（可以完全自定义如何调用Claude Code）、流水线触发条件和事件通知方式。
2. 基于MCP的CR信息交互
通过AONE MCP Server获取CR相关信息，避免了git获取远程信息时的权限问题。
3. 变更代码智能分层处理策略
Level 1：完全未分析的区域 → 重点深度分析；Level 2：部分分析过的区域 → 对于后续新增commit里，增量的新代码进行重点分析；Level 3：已完整分析过的区域 → 简单的重审分析；4. Multi/Background Agent 并行处理提升效率
3个处理器同时工作，每个专注于不同类型的代码变更，提高整体处理速度。
5. 超时控制
调用Claude Code实例时，指定最大运行时长，默认30分钟。
name: Claude Code AI CRtriggers:push:branches:- feature/**merge_request:target-branches:- '**'params:ANTHROPIC_BASE_URL:name: ANTHROPIC_BASE_URLdescription: Claude Code 环境变量，指定模型端口地址required: trueANTHROPIC_AUTH_TOKEN:name: ANTHROPIC_AUTH_TOKENdescription: Claude Code 环境变量，指定模型访问密钥required: trueANTHROPIC_MODEL:name: ANTHROPIC_MODELdescription: Claude Code 环境变量，指定模型型号，可为空required: falseAONE_MCP_URL:name: AONE_MCP_URLdescription: AONE MCP SERVER的url，在code界面右侧可以获取到required: trueshell:name: shelldescription: 执行脚本required: falsedefault: |-#!/bin/bash# 基于 MCP 的智能分层 AI 代码评审系统# 解决方案：通过 AONE MCP 获取 CR 信息，实现智能增量分析# 配置 MCP 连接cat > mcp.json /dev/nullecho "所有处理器已强制终止"breakfi# 检查所有进程是否完成if ! kill -0 $level1_pid 2>/dev/null && ! kill -0 $level2_pid 2>/dev/null && ! kill -0 $level3_pid 2>/dev/null; thenecho "所有处理器已完成"breakfi# 显示进度running_count=0kill -0 $level1_pid 2>/dev/null && running_count=$((running_count + 1))kill -0 $level2_pid 2>/dev/null && running_count=$((running_count + 1))kill -0 $level3_pid 2>/dev/null && running_count=$((running_count + 1))echo "还有 ${running_count} 个处理器在运行中... (已运行 ${elapsed}s)"sleep 30 # 每30秒检查一次doneecho "智能分层 AI 代码评审完成！"# 验证步骤：检查是否真的添加了评论# echo "验证步骤: 检查AI是否真的添加了评论..."claude --permission-mode acceptEdits --mcp-config mcp.json --allowedTools "mcp__aone__list_merge_request_comments" --print "验证任务：1. 使用 mcp__aone__list_merge_request_comments 工具重新获取CR的所有评论2. 对比旧的existing_comments.md，检查是否有新的AI评论被添加3. 如果没有发现新评论，明确报告'验证失败：AI未添加任何评论'4. 如果发现了新评论，报告'验证成功：AI成功添加了X条评论'"# 完成总结# echo "✅分析完成总结："jobs:claude-code:image: alios-8usteps:- uses: checkout- uses: setup-envinputs:node-version: 20tnpm-version: 10tnpm-cache: true- id: Claude_Code_Runrun: |-tnpm install -g @anthropic-ai/claude-codeexport ANTHROPIC_BASE_URL=${{params.ANTHROPIC_BASE_URL}}export ANTHROPIC_AUTH_TOKEN=${{params.ANTHROPIC_AUTH_TOKEN}}export ANTHROPIC_MODEL=${{params.ANTHROPIC_MODEL}}echo claude-code安装成功${{params.shell}}1. 在代码仓库的持续集成页面，点击新建任务。
2. 在模板市场中，搜索 Claude Code AI CR 模板并引用。
3. 配置4个环境变量：
ANTHROPIC_BASE_URL: Claude Code 模型端点地址；ANTHROPIC_AUTH_TOKEN: Claude Code 访问密钥；ANTHROPIC_MODEL: 模型型号；AONE_MCP_URL: Aone · 代码平台的MCP端口；4. 确认一下，触发策略这里最后选上这2个时机（通配符规则自己定）。
5. 提交配置。
6. 随后，开启一个代码评审，即可触发。通过观测流水线日志和CR评论区，来判断是否运行成功。
注意
入参配置里的shell，不填的话会默认使用我提供的命令（见上面流水线的脚本）。如果你觉得效果不好，需要调整（确实有很多细节要调整），可以自己设置哦。
使用建议为了获得更好的CR效果，建议在项目中：
定制优化你的流水线Shell命令：当前流水线模板相当于提供了运行Claude Code的容器环境，里面如何执行命令、如何调用Claude Code，完全由你来自定义（将运行命令脚本填入入参配置里的shell字段，容器会在配置好Claude Code环境后，运行你的脚本）。维护好CLAUDE.md（如果不了解，请查一下Claude Code相关使用教程）。针对项目的特点，优化prompt和工具调用，比如重要项目强调数据一致性问题的检查。建立起需求文档在代码库中的维护习惯，AI Coding后期本质上将会是文档工程，文档质量决定了Agent在代码研发周期里的提效上限。后续优化方向1. Background Agent 模式的应用：当前我们只是简单的对CR中变更代码，就“是否已经被分析过”来进行了简单的划分，然后并行执行。在不同的项目中，完全可以进行不同纬度的划分，来并行处理。
2. Sub Agent 模式的应用：是由Claude Code支持的模式，可以在一个agent实例中将任务分给不同的子agent去并行做不同的事，专人专职，分析力更强，减少了上下文限制和幻觉的影响。比如，对一个CR任务，可以建立起 代码规范检查agent、上下游业务影响分析agent、数据一致性分析agent、稳定性分析agent 的协作机制。
3. Prompt 工程、上下文工程的调优：如何在提出要求之前准备好模型可能需要的一切？
4. Memory 机制的建立：如何将整个代码库的历史变更、历史文档、历史CR，作为长期记忆留存下来并反哺？
总结通过这次Claude Code AI CR流水线的实践，我们实现了包括但不限于：
自动检测评审中的CR并进行智能分析；基于现有评论避免重复分析，提高效率；通过分层处理策略，针对不同复杂度的代码变更采用不同的分析深度；多个Claude Code实例并行处理，显著缩短分析时间；直接在CR页面添加结构化的评审意见，包含问题描述、风险等级、修改建议等；发现人工容易遗漏的潜在问题（如案例中的死循环阻塞问题）；沉淀了可配置的流水线模板，支持一键部署和复用；AI Coding Agent在代码评审场景的应用证明了其实用价值，50%+的提效不仅减轻了人工负担，也提升了问题发现的广度和深度。这套方案展示了将AI Agent集成到现有研发流程中的一种可行路径，为团队探索AI提效提供了具体的参考案例。
当然，这个方案更多是给大家提供一个实践思路和技术起点，后续的优化空间还很大。
希望这次分享能启发更多团队探索AI Coding在自己业务场景中的应用可能性，共同推动研发效率的提升！欢迎大家尝试使用并提供反馈建议！
低成本、高性能的湖仓一体化架构
湖仓一体架构融合了数据湖的低成本、高扩展性，以及数据仓库的高性能、强数据治理能力，高效应对大数据时代的挑战。SelectDB 通过高性能数据分析处理引擎和丰富的湖仓数据对接能力，助力企业加速从 0 到 1 构建湖仓体系，降低转型过程中的风险和成本。
低成本、高性能的湖仓一体化架构-阿里云技术解决方案查看详情。
来源：阿里技术一点号
