Files
filwordspl-backend/scripts/ai_review.py
T

499 lines
18 KiB
Python

#!/usr/bin/env python3
"""
AI Code Review for Filwords PL Backend (JSON-контракт)
Читает Python-файлы проекта, отправляет в DeepSeek V4.1 Flash (Together AI),
получает структурированный JSON с находками, проверяет snippet по диску,
фильтрует по confidence и создаёт Issue в Gitea.
Запускается через Gitea Actions (workflow_dispatch — вручную из UI).
(20.09.2026) Первая версия — конвейер без tool-calling, предсказуемо по токенам.
(20.09.2026, вечер) Фикс: max_tokens=16000, fallback на reasoning_content.
(21.09.2026, вечер) JSON-контракт + snippet-проверка + фильтр confidence.
"""
import json
import os
import re
import sys
from datetime import datetime
from pathlib import Path
import httpx
# ============ Настройки ============
TOGETHER_API_KEY = os.environ.get("TOGETHER_API_KEY")
GITEA_BOT_TOKEN = os.environ.get("BOT_TOKEN")
GITEA_INSTANCE = os.environ.get("GITEA_INSTANCE", "https://git.filwordspl.com")
GITEA_REPO = os.environ.get("GITEA_REPO", "Drobysh/filwordspl-backend")
MODEL = "deepseek-ai/DeepSeek-V4.1-Flash"
# 🔧 ФИКС (20.09.2026): было 4000 — DeepSeek V4.1 Flash тратит ~4000 на reasoning,
# не оставляя токенов на финальный ответ. 16000 хватает с запасом.
MAX_OUTPUT_TOKENS = 16000
# Что игнорировать при сборе кода
IGNORE_DIRS = {
"venv", ".venv", "__pycache__", ".git", ".gitea",
"tests", "archive", "uploads", "tts_cache",
"node_modules", "dist",
}
IGNORE_FILES = {"ai_review.py", "conftest.py"}
# Расширения, которые читаем
INCLUDE_EXTENSIONS = {".py"}
# Максимальный размер одного файла (символов) — большие контент-файлы пропускаем
MAX_FILE_SIZE = 100_000
# 🔧 НОВОЕ (21.09.2026): фильтр находок
MIN_CONFIDENCE = 0.7
ALLOWED_SEVERITY = {"user_impact", "data_risk", "maintainability"}
ALLOWED_EXTENSIONS = {".py"}
# ============ Проверка окружения ============
def check_env() -> None:
missing = []
if not TOGETHER_API_KEY:
missing.append("TOGETHER_API_KEY")
if not GITEA_BOT_TOKEN:
missing.append("BOT_TOKEN")
if missing:
print(f"❌ Отсутствуют переменные окружения: {', '.join(missing)}", file=sys.stderr)
sys.exit(1)
# ============ Сбор кода ============
def collect_code(repo_root: Path) -> tuple[str, dict[str, str]]:
"""
Собирает все .py файлы в один текст с заголовками.
Возвращает (собранный_текст, словарь {относительный_путь: содержимое}).
Словарь нужен для snippet-проверки.
"""
chunks: list[str] = []
files_map: dict[str, str] = {}
total_files = 0
total_size = 0
for path in sorted(repo_root.rglob("*")):
if not path.is_file():
continue
if path.suffix not in INCLUDE_EXTENSIONS:
continue
rel = path.relative_to(repo_root)
if any(part in IGNORE_DIRS for part in rel.parts):
continue
if path.name in IGNORE_FILES:
continue
try:
content = path.read_text(encoding="utf-8")
except Exception as e:
print(f"⚠️ Не прочитал {rel}: {e}", file=sys.stderr)
continue
if len(content) > MAX_FILE_SIZE:
print(f"⚠️ Пропущен большой файл: {rel} ({len(content)} символов)", file=sys.stderr)
continue
rel_str = str(rel).replace("\\", "/")
chunks.append(f"### FILE: {rel_str}\n```python\n{content}\n```\n")
files_map[rel_str] = content
total_files += 1
total_size += len(content)
print(f"📂 Собрано файлов: {total_files}, символов: {total_size:,}")
return "\n".join(chunks), files_map
# ============ Промпт для модели ============
SYSTEM_PROMPT = """Ты — опытный техлид и ревьюер Python-кода (FastAPI, asyncpg, PostgreSQL).
Твоя задача — проанализировать код и вернуть СТРОГО JSON-массив находок.
ФОРМАТ ОТВЕТА (только JSON, без markdown, без пояснений):
[
{
"id": "КРАТКОЕ_ИМЯ_БАГА",
"file": "routers/hints.py",
"line": 20,
"snippet": "точное цитирование 1-3 строк из файла",
"severity": "user_impact",
"user_effect": "что видит ученик: подсказка не списывается, очки завышены",
"repro": "открыть игру → взять подсказку → hints_used в БД не растёт",
"fix_hint": "UPDATE ... hints_used = hints_used + 1 в той же транзакции",
"confidence": 0.86
}
]
ПРАВИЛА:
1. severity — только одно из: "user_impact", "data_risk", "maintainability".
- user_impact: ученик видит баг, теряет прогресс, очки, доступ
- data_risk: порча БД, утечка, неверный auth/rate-limit
- maintainability: запах, дубль, устаревший API
2. snippet — ТОЧНАЯ цитата 1-3 строк из файла. Не перефразируй. Если не уверен — не включай находку.
3. confidence — число от 0 до 1. Если меньше 0.7 — не включай.
4. Максимум 15 находок. Только самое важное.
5. НЕ переписывай код. Только описывай, что не так и что сделать.
6. Без воды. Без общих слов.
7. Если проблем нет — верни пустой массив: []
Отвечай ТОЛЬКО JSON, без markdown-обёрток.
"""
USER_PROMPT_TEMPLATE = """Проанализируй код проекта Filwords PL (backend).
Это FastAPI + PostgreSQL + asyncpg. Есть:
- routers/ — эндпоинты
- services/ — бизнес-логика
- database.py — схема БД
- auth.py — HMAC-SHA256 initData
Ищи:
1. Баги и логические ошибки
2. Проблемы безопасности (утечки, инъекции, неправильная валидация)
3. N+1 запросы к БД
4. Отсутствие обработки ошибок
5. Дублирование кода
6. Мёртвый код
7. Слабые места архитектуры
Верни JSON-массив находок по формату выше.
Вот код:
{code}
"""
# ============ Запрос к Together AI ============
def call_together(code: str) -> str:
"""Отправляет код в DeepSeek V4.1 Flash, возвращает текст ответа."""
print("🤖 Отправляю код в DeepSeek V4.1 Flash...")
user_prompt = USER_PROMPT_TEMPLATE.format(code=code)
response = httpx.post(
"https://api.together.xyz/v1/chat/completions",
headers={
"Authorization": f"Bearer {TOGETHER_API_KEY}",
"Content-Type": "application/json",
},
json={
"model": MODEL,
"messages": [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": user_prompt},
],
"max_tokens": MAX_OUTPUT_TOKENS,
"temperature": 0.2,
},
timeout=300.0,
)
if response.status_code != 200:
print(f"❌ Together AI вернул {response.status_code}", file=sys.stderr)
print(f"Ответ: {response.text[:1000]}", file=sys.stderr)
sys.exit(1)
data = response.json()
try:
message = data["choices"][0]["message"]
result = message.get("content")
# 🔧 ФИКС (20.09.2026): если content пустой — используем reasoning_content.
if not result:
result = message.get("reasoning_content")
if not result:
raise KeyError("и content, и reasoning_content пустые")
except (KeyError, IndexError, TypeError) as e:
print(f"❌ Неожиданный формат ответа: {e}", file=sys.stderr)
print(f"Полный ответ: {data}", file=sys.stderr)
sys.exit(1)
usage = data.get("usage", {})
finish = data["choices"][0].get("finish_reason", "unknown")
print(
f"✅ Ответ получен. Токены: вход={usage.get('prompt_tokens', 0)}, "
f"выход={usage.get('completion_tokens', 0)}, "
f"finish={finish}"
)
return result
# ============ Парсинг и фильтрация JSON ============
def extract_json(text: str) -> list[dict]:
"""
Извлекает JSON-массив из ответа модели.
Модель может обернуть в ```json ... ``` или добавить текст — чистим.
"""
# Убираем markdown-обёртки
text = text.strip()
if text.startswith("```"):
# Убираем ```json в начале и ``` в конце
text = re.sub(r"^```(?:json)?\s*", "", text)
text = re.sub(r"\s*```$", "", text)
# Ищем JSON-массив
start = text.find("[")
end = text.rfind("]")
if start == -1 or end == -1 or end < start:
print(f"⚠️ Не найден JSON-массив в ответе. Первые 500 символов:\n{text[:500]}", file=sys.stderr)
return []
json_str = text[start:end + 1]
try:
parsed = json.loads(json_str)
if not isinstance(parsed, list):
print(f"⚠️ JSON не массив, а {type(parsed).__name__}", file=sys.stderr)
return []
return parsed
except json.JSONDecodeError as e:
print(f"⚠️ Ошибка парсинга JSON: {e}", file=sys.stderr)
print(f"Первые 500 символов JSON:\n{json_str[:500]}", file=sys.stderr)
return []
def validate_and_filter(
findings: list[dict],
files_map: dict[str, str],
) -> tuple[list[dict], dict[str, int]]:
"""
Фильтрует находки:
- файл существует
- расширение разрешено
- snippet реально есть в файле
- severity валидна
- confidence >= MIN_CONFIDENCE
- есть user_effect и repro (для user_impact и data_risk)
Возвращает (отфильтрованные, статистика).
"""
stats = {
"total": len(findings),
"no_file": 0,
"bad_ext": 0,
"no_snippet": 0,
"snippet_mismatch": 0,
"bad_severity": 0,
"low_confidence": 0,
"no_effect_or_repro": 0,
"passed": 0,
}
passed: list[dict] = []
for f in findings:
if not isinstance(f, dict):
continue
file_path = (f.get("file") or "").strip().replace("\\", "/")
snippet = (f.get("snippet") or "").strip()
severity = (f.get("severity") or "").strip().lower()
confidence = f.get("confidence", 0)
# Файл существует?
if file_path not in files_map:
stats["no_file"] += 1
print(f" ⏭ Отброшено (нет файла): {file_path}")
continue
# Расширение?
ext = "." + file_path.rsplit(".", 1)[-1] if "." in file_path else ""
if ext not in ALLOWED_EXTENSIONS:
stats["bad_ext"] += 1
print(f" ⏭ Отброшено (расширение {ext}): {file_path}")
continue
# Snippet есть?
if not snippet:
stats["no_snippet"] += 1
print(f" ⏭ Отброшено (нет snippet): {file_path}")
continue
# Snippet реально есть в файле?
file_content = files_map[file_path]
if snippet not in file_content:
stats["snippet_mismatch"] += 1
print(f" ⏭ Отброшено (snippet не найден): {file_path}")
continue
# Severity?
if severity not in ALLOWED_SEVERITY:
stats["bad_severity"] += 1
print(f" ⏭ Отброшено (severity={severity}): {file_path}")
continue
# Confidence?
try:
conf_val = float(confidence)
except (TypeError, ValueError):
conf_val = 0
if conf_val < MIN_CONFIDENCE:
stats["low_confidence"] += 1
print(f" ⏭ Отброшено (confidence={conf_val}): {file_path}")
continue
# Для user_impact и data_risk нужны user_effect и repro
if severity in ("user_impact", "data_risk"):
if not (f.get("user_effect") or "").strip() or not (f.get("repro") or "").strip():
stats["no_effect_or_repro"] += 1
print(f" ⏭ Отброшено (нет user_effect/repro): {file_path}")
continue
# Прошло
passed.append(f)
stats["passed"] += 1
return passed, stats
# ============ Форматирование Issue ============
SEVERITY_EMOJI = {
"user_impact": "🔴",
"data_risk": "🟠",
"maintainability": "🟡",
}
SEVERITY_LABEL = {
"user_impact": "Влияет на ученика",
"data_risk": "Риск для данных",
"maintainability": "Качество кода",
}
def format_issue_body(findings: list[dict], stats: dict[str, int], date_str: str) -> str:
"""Формирует markdown-тело Issue из отфильтрованных находок."""
lines: list[str] = []
lines.append(f"# 🤖 AI Code Review")
lines.append("")
lines.append(f"**Дата:** {date_str}")
lines.append(f"**Модель:** `{MODEL}`")
lines.append(f"**Репозиторий:** `{GITEA_REPO}`")
lines.append("")
lines.append("---")
lines.append("")
if not findings:
lines.append("✅ **После фильтрации не осталось находок.**")
lines.append("")
lines.append("_Модель либо не нашла реальных проблем, либо все находки отброшены фильтром (нет файла, snippet не совпал, confidence < 0.7)._")
else:
# Группируем по severity
by_severity: dict[str, list[dict]] = {"user_impact": [], "data_risk": [], "maintainability": []}
for f in findings:
sev = f.get("severity", "maintainability")
by_severity.setdefault(sev, []).append(f)
counter = 0
for sev in ["user_impact", "data_risk", "maintainability"]:
items = by_severity.get(sev, [])
if not items:
continue
lines.append(f"## {SEVERITY_EMOJI[sev]} {SEVERITY_LABEL[sev]} ({len(items)})")
lines.append("")
for f in items:
counter += 1
lines.append(f"### {counter}. {f.get('id', 'без имени')}")
lines.append("")
lines.append(f"- **Файл:** `{f.get('file')}:{f.get('line', '?')}`")
lines.append(f"- **Snippet:** `{f.get('snippet', '').strip()[:120]}`")
lines.append(f"- **Проблема:** {f.get('user_effect', '—')}")
lines.append(f"- **Как воспроизвести:** {f.get('repro', '—')}")
lines.append(f"- **Что сделать:** {f.get('fix_hint', '—')}")
lines.append(f"- **Confidence:** {f.get('confidence', '?')}")
lines.append("")
lines.append("---")
lines.append("")
lines.append(f"**Статистика фильтрации:** всего={stats['total']}, "
f"нет файла={stats['no_file']}, snippet не совпал={stats['snippet_mismatch']}, "
f"низкий confidence={stats['low_confidence']}, прошло={stats['passed']}")
lines.append("")
lines.append("_Этот Issue создан автоматически. Исправления делаются вручную._")
return "\n".join(lines)
# ============ Создание Issue в Gitea ============
def create_issue(title: str, body: str) -> str:
"""Создаёт Issue в Gitea, возвращает URL."""
print("📝 Создаю Issue в Gitea...")
response = httpx.post(
f"{GITEA_INSTANCE}/api/v1/repos/{GITEA_REPO}/issues",
headers={
"Authorization": f"token {GITEA_BOT_TOKEN}",
"Content-Type": "application/json",
},
json={
"title": title,
"body": body,
},
timeout=30.0,
)
if response.status_code not in (200, 201):
print(f"❌ Gitea вернул {response.status_code}: {response.text[:500]}", file=sys.stderr)
sys.exit(1)
data = response.json()
issue_url = data.get("html_url", "")
print(f"✅ Issue создан: {issue_url}")
return issue_url
# ============ Main ============
def main() -> None:
check_env()
repo_root = Path(".").resolve()
print(f"📁 Репозиторий: {repo_root}")
code, files_map = collect_code(repo_root)
if not code:
print("❌ Не найдено файлов для анализа", file=sys.stderr)
sys.exit(1)
raw_response = call_together(code)
# Парсим JSON
findings = extract_json(raw_response)
print(f"📊 Модель вернула находок: {len(findings)}")
# Фильтруем
filtered, stats = validate_and_filter(findings, files_map)
print(f"✅ Прошло фильтр: {stats['passed']} из {stats['total']}")
print(f" Отброшено: файл={stats['no_file']}, snippet={stats['snippet_mismatch']}, "
f"confidence={stats['low_confidence']}, severity={stats['bad_severity']}, "
f"нет эффекта={stats['no_effect_or_repro']}")
# Формируем Issue
date_str = datetime.utcnow().strftime("%Y-%m-%d %H:%M UTC")
title = f"🤖 AI Review: {stats['passed']} задач ({date_str})"
body = format_issue_body(filtered, stats, date_str)
create_issue(title, body)
print("🎉 Готово!")
if __name__ == "__main__":
main()