Cloudflare 多模型 AI 代码审查编排：从单点工具到规模化生产系统

单模型审查的规模化困境

当代码审查成为 CI/CD 瓶颈时，工程团队的第一反应往往是接入现成的 AI 工具。Cloudflare 的初期尝试也不例外 —— 直接将原始 diff 喂给大模型并附上一段基础提示词。结果是可预见的：模糊的通用建议、大量误报、开发者逐渐学会忽略这些 "AI 噪音"。

问题的核心在于单一模型的能力边界。通用 LLM 试图同时扮演安全审计员、性能分析师、文档检查员和代码风格裁判，每个角色都需要不同的知识深度和推理模式。当组织规模达到 Cloudflare 级别（5,169 个仓库、每月数万次合并请求），这种 "万金油" 方案的边际成本急剧上升，而准确率却难以保证。

Cloudflare 的解决方案不是寻找更强的单模型，而是构建一套多智能体编排系统—— 将代码审查拆解为多个专业领域，由专门的 AI 审查员并行处理，再由协调器统一汇总。这套系统基于 OpenCode 开源框架，首月即完成 131,246 次审查，覆盖 48,095 个合并请求，中位耗时 3 分 39 秒，单次运行成本 0.98 美元。

架构：协调器与专业审查员的分层协作

系统的核心是一个两级编排模型。顶层是协调器（Coordinator），负责接收合并请求、决策审查范围、调度子审查员、去重发现项并输出结构化评论。底层是多达七个领域专精的审查员，分别聚焦安全、性能、代码质量、文档、发布检查、AGENTS.md 合规等特定维度。

协调器采用 OpenCode 的服务器优先架构，以子进程形式运行。为规避命令行参数长度限制，提示词通过标准输入传递；输出则采用 JSON Lines（JSONL）流式格式，支持逐行解析 —— 这对处理可能意外中断的长时任务至关重要。当协调器判定需要审查时，通过 spawn_reviewers 工具启动各个子审查员会话。

每个子审查员在独立会话中运行，配备专门优化的提示词。提示词工程的关键在于负面约束：不仅定义 "要标记什么"，更要精确定义 "忽略什么"。例如，安全审查员被明确指示只关注可被利用的具体漏洞，忽略理论风险或未变更代码的改进建议。这种精确的范围界定显著降低了误报率。

子审查员的输出采用结构化 XML 格式，包含分类的严重级别（critical/warning/suggestion）。协调器收集所有发现后，执行去重、严重度校准，最终生成单一的结构化评论 —— 避免开发者在多个分散的 AI 评论中迷失。

分层模型路由：成本与性能的平衡

多智能体架构的另一优势是模型分层策略。Cloudflare 根据任务复杂度分配不同等级的模型：

• 协调器：Claude Opus、GPT-5.4 等顶级模型，负责高阶推理和跨领域综合
• 子审查员（代码质量 / 安全）：Claude Sonnet、GPT-5.3 Codex，处理需要深度代码理解的审查任务
• 轻量级任务（文档检查）：Kimi K2.5 等文本向模型，成本更低、响应更快

这种分层不是静态配置。Cloudflare 通过 Workers 和 KV 存储实现运行时模型覆盖—— 当某个模型出现延迟或质量漂移时，可即时切换备用模型，无需代码部署。系统还内置了熔断器（circuit breaker）和故障回退链（failback chain），确保单点模型故障不会阻塞整个审查流程。

成本优化方面，系统通过传递文件路径而非嵌入完整 diff 来节省 token—— 子审查员只按需读取相关补丁。首月运行的中位成本 0.98 美元 / 次，证明了这种精细化资源分配的经济可行性。

插件化设计：解耦 VCS 与模型依赖

支撑这套系统的是严格的插件架构。所有组件遵循 ReviewPlugin 接口，生命周期分为 bootstrap、configure、postConfigure 三个阶段。这种设计实现了：

• VCS 无关：GitLab 集成逻辑封装在独立插件，未来支持 GitHub、Bitbucket 只需新增插件
• 模型无关：AI Gateway 配置与审查逻辑解耦，模型供应商可自由替换
• 策略可插拔：内部合规检查、AGENTS.md 验证、分布式追踪等能力均以插件形式加载

一个典型的内部审查会加载以下插件组合：GitLab 集成、AI Gateway 配置、工程 RFC 合规检查、分布式追踪、AGENTS.md 验证、动态模型覆盖、审查追踪与遥测。所有插件通过单一配置文件管理，关注点隔离清晰。

生产环境的可靠性工程

规模化 AI 系统的运维挑战往往被低估。Cloudflare 在实践中建立了多项关键机制：

心跳日志：复杂 AI 处理可能被误认为卡死而遭取消。系统通过定期输出心跳日志提供实时状态反馈，显著减少了误杀率。

增量重审状态追踪：对于迭代中的合并请求，系统维护审查状态，避免重复分析未变更的代码，进一步压缩延迟和成本。

提示词注入防护：通过从独立文件组装提示词并清理用户可控输入，防止提示词越狱攻击。

工程落地建议

对于希望构建类似系统的团队，Cloudflare 的实践提供了可复用的设计原则：

1. 领域拆分优于通用模型：与其追求 "一个模型解决所有问题"，不如按审查维度拆分，每个子审查员专注单一领域
2. 负面约束是提示词工程的关键：精确定义 "不做什么" 比 "做什么" 更能控制输出质量
3. 结构化输出是编排的基础：JSONL 流式输出、XML 结构化发现项，为下游自动化提供可靠数据契约
4. 运行时可配置性：模型选择、超时阈值、熔断策略应支持热更新，避免每次调整都走发布流程
5. 成本监控从第一天开始：中位成本 0.98 美元不是偶然，而是持续优化的结果

这套系统的真正价值不仅在于技术架构本身，而在于它证明了 AI 代码审查可以从 "实验性工具" 升级为 "生产级基础设施"—— 前提是愿意投入工程化思考，解决规模、成本和可靠性这些硬问题。

资料来源

• Orchestrating AI Code Review at scale - FAUN.dev
• Cloudflare's AI Code Review Overhaul - StartupHub.ai

mlops