客户概括
客户是国内头部运动鞋服企业，业务涵盖产品研发、设计、生产与零售，拥有完善的全渠道零售体系，在国内布局数千家线下门店及电商、小程序等线上渠道。近年来，企业积极推进全球化战略，业务已覆盖海外多个国家和地区。为支撑数字化转型与国际化发展，企业组建了规模化的自研团队，持续建设电商平台、会员系统、供应链及门店管理等核心业务系统。
需求挑战
随着全球化布局加快，客户研发团队规模持续扩大，国内外业务系统迭代频繁，代码审核面临以下挑战：
- 审核效率低：人工审核依赖资深工程师，代码提交量快速增长，审核排队时间长，影响版本交付节奏。
- 标准不统一：多团队、多区域协同开发，审核人员经验和关注点不同，代码规范与质量标准难以统一。
- 问题发现滞后：安全漏洞、性能隐患等问题往往到测试或上线后才暴露，修复成本高。
- 协同难度大：海外业务涉及多区域部署和多时区协作，传统审核流程难以满足快速迭代的需要。
为此，客户希望借助生成式 AI 能力建设 AI代码审核项目，实现代码审核的自动化与标准化，提升研发质量与交付效率。
解决方案
汉为基于 Amazon Bedrock 为客户打造 AI代码审核项目，实现代码审核自动化、标准化与前置化
AWS架构说明：
- 出于安全需求方面的考虑，尽量避免数据暴露于互联网，将所有 Amazon Lambda 函数放在一个 VPC 中，通过 NAT Gateway 访问互联网，通过 VPC Endpoint Gateway 访问 DynamoDB 和 S3，通过 VPC Endpoint Interface 访问 Bedrock Claude 3 和 Amazon SQS。
- 通过 GitLab Webhook 自动探测开发人员针对代码仓库的 Push event
- 调用 Codereview Post API 提交 Code Review Task
- 将 Code Review 任务状态存储到 Amazon DynamoDB 中；更新 Amazon DynamoDB 中需要处理的文件数目和已处理文件数目
- 触发 Lambda 异步处理，根据文件拆分细化任务到 Amazon SQS 中，白名单设置（处理的文件尾缀：.go/.py/.java 等，Lambda 的环境变量）
- 获取 commit diff file 等信息；将 Code Review message 放入 Amazon SQS；
- Amazon Lambda 订阅 Amazon SQS，根据 Amazon SQS 中的 message 来 review code；
- 将需要 review 的代码通过 Amazon Lambda 并发提交给 Claude 3 进行 review
- 将 Claude 3 返回的结果存储到 S3 中的文件中
- 用户发起代码审查结果查询给 Web UI；WebUI通过 Amazon API Gateway 发送查询请求；
- 根据 ReviewId 等信息查询当前代码审查的状态与结果；根据提交的 ReviewId，查询 Amazon DynamoDB 中任务的状态；读取 S3 的内容生成 Pre-signed URL 返回给用户
AWS 云中的VPC网络，使用第三方Partner的SDWAN链路和Office IDC 打通内部网络。
客户收益
- 审查效率大幅提升：AI 审查即时响应，开发者无需等待。
- 审查覆盖率达 100%：每次代码提交均受到 AI 审查。
- 多维度质量保障：同时覆盖安全、性能、规范、逻辑、可维护性。
- 开发者产能释放：高级开发人员从重复性审查中解放。
- 标准统一：通过 Prompt 配置确保审查标准始终如一。
