Go 项目代码质量治理：从 lint 到 AI Code Review 的工程化之路

Go 项目代码质量治理从 lint 到 AI Code Review 的工程化之路一、代码仓库 50 万行CI 构建要跑 15 分钟lint 报警 2300 条接手一个遗留 Go 项目时第一眼看 CI 日志就让人崩溃。golangci-lint报出 2300 条 warninggo vet有 87 个 issue测试覆盖率 12%。更糟的是这些报警在团队中已经免疫了——一直是这样的没事。代码质量治理不能靠一次性清掉所有报警——那会导致巨大改动引入新 Bug。正确的策略是止血、疏通、排毒三个阶段。二、三阶段质量治理路线图核心思路不能一刀切要求全部代码立刻达标。给新代码严格要求门禁给老代码宽限期逐步还债。亡羊补牢的关键是先确保不再产生新问题再逐步清理老问题。三、关键实施细节阶段一CI 门禁的增量禁止策略.golangci.yml中的关键配置issues: # 只检查当前 PR 改动的问题 new: true new-from-rev: origin/main # 和 main 分支对比 # 已有的问题不报告但记录在基线中 max-issues-per-linter: 0 max-same-issues: 0 # 本地开发时运行全量检查用这个 # 将当前所有问题写入基线文件 # golangci-lint run --issues-exit-code0 --out-formatjson .golangci.baseline.json效果之前合并 PR 时 lint 被忽略因为报的都是老问题之后任何新增的 lint 问题都会阻断 CI但老问题不会被重复报告每周修复一类老问题后更新基线文件告警数可见地下降阶段二告警分类和批量修复对 2300 条告警做了分类统计告警类型排行修复前 1. errcheck (724条) - 未检查 error 返回值 2. ineffassign (312条) - 无效赋值 3. unused (298条) - 未使用的变量/函数 4. staticcheck SA1019 (187条) - 使用了 deprecated API 5. gosimple (156条) - 可简化的代码第三周专注修「errcheck」用 sed 批量添加_ 忽略不需要的 error再人工 Review 需要真正处理 error 的地方。一周修完 724 条lint 告警降到 1576 条。第四周修「ineffassign」删除无效的赋值语句发现其中有 12 处是真实的 bug本意是赋值给某个变量但写错了名字。阶段三AI Code Review 的引入单纯的人工 CR 做不到覆盖每条 PR。引入 AI Code Review基于 GitHub Action LLM# .github/workflows/ai-review.yml name: AI Code Review on: pull_request: types: [opened, synchronize] jobs: ai-review: runs-on: ubuntu-latest steps: - uses: actions/checkoutv3 - name: Get PR diff id: diff run: | git fetch origin ${{ github.base_ref }} git diff origin/${{ github.base_ref }}...HEAD pr.diff - name: AI Review uses: ./actions/ai-review with: diff_file: pr.diff model: gpt-4o review_focus: | 请检查以下问题按优先级排序 1. 并发安全问题goroutine 的资源泄漏、channel 死锁 2. 错误处理是否正确是否忽略了关键 error 3. SQL 注入和输入验证 4. 资源释放file handle、DB 连接 5. 代码规范和可维护性 # AI 的 Review 评论作为 PR Comment 展示 # 标记为 AI Review和人类 CR 区分开AI Code Review 的定位不是替代人类 CR而是做第一道防线——把机械性的检查变量未使用、资源未关闭、明显的并发问题交给 AI让人专注于逻辑和设计层面的 Review。实际效果AI 平均每条 PR 发现 2.3 个潜在问题其中约 60% 是人类 CR 也会发现的相当于把 CR 的工作量分担了。四、治理成效数据指标治理前治理后12周golangci-lint 告警数230087测试覆盖率12%71%核心模块 89%CI 构建时间15min6minPR 平均 CR 时间2.3天0.8天线上 Bug 数月均145五、总结代码质量治理的核心策略是增量禁止、存量偿还。新代码零容忍CI 门禁阻断老代码分批次修复每周一类告警。三个阶段的目标止血不再新增问题→ 疏通批量清理高频告警→ 排毒AI 辅助深层审查 架构优化。AI Code Review 是最后一张牌在人的 CR 能力饱和之后引入分担机械性的检查工作。最重要的是——治理要有可见的进展。每周的告警数下降曲线是团队的动力来源让大家看到这件事真的有进展而不是在做无用功。