AI 程式開發／評測
AlibabaのOpenCodeReviewがGitHub Trending入り、決定論的パイプラインでコードレビューエージェントを制御
Alibabaが社内で利用してきたOpenCodeReviewが今週、オープンソースとして急速に注目を集めている。ファイル選択、ルールマッチング、コメント位置の特定は決定論的なプログラムに任せ、LLMエージェントにはコンテキスト探索を担わせる設計だ。公式ベンチマークでは汎用coding agentと比べてtoken使用量を約90％削減した一方、recallは低い。
OpenCodeReviewは9月14日、GitHub Trendingに浮上した。Alibabaによると、このツールはすでに社内で数万人の開発者に利用されている。単にプロンプトでモデルへ「すべてのコードをレビューする」よう求めるのではなく、処理を再現可能なエンジニアリング層と柔軟なエージェント層に分割している。前者は、読み込むdiffとファイル、適用する言語別ルールを正確に決定し、関連ファイルを独立した作業単位にまとめる。後者はその後、全文読み込み、コードベース検索、クロスファイルツールを使ってコンテキストを補う。
各ファイルグループは、隔離されたsub-agentによって並列処理できる。外部のpositioningモジュールが指摘を実際の行番号へ再配置し、reflectionモジュールが内容を再検証する。組み込みルールはnull pointer、thread safety、XSS、SQL injectionなどを対象とし、OpenAIまたはAnthropic互換endpointにも接続できる。CLIではworkspace、commit、branch range、ディレクトリ全体を検査でき、中断後の再開にも対応する。さらに、ほかのcoding agentやCIが利用できるJSONを出力する。コアコードはApache License 2.0で提供される。
付属のAACR-Benchは、50件のopen-source project、200件のPR、10言語、専門家が検証した1,505件の問題で構成される。また、各問題の検出にdiff、ファイル全体、repository-level contextのどれが必要かもラベル付けされている。Alibabaは、同じ基盤モデルを使用した場合、OpenCodeReviewのprecisionとF1がClaude Codeのような汎用エージェントを上回り、token使用量は約9分の1になると主張している。ただし公式にもrecallの低さを明記しており、誤検知の減少と引き換えに、より多くの実在する欠陥を見逃していることを意味する。
さらに、ベンチマークのアノテーション自体も複数のLLMで候補を生成した後、専門家が検証する方式で作られている。意味的マッチングにもLLM judgeが使われる可能性があり、類似したレビュースタイルに有利なバイアスが残り得る。導入前には、自社の過去のPRを使ってprecision、recall、重大度で重み付けした見逃し率を同時に算出すべきだ。外部のモデルendpointを利用する場合は、ファイル全文やクロスファイルコンテキストが企業の境界外へ送信されるかどうかも確認する必要がある。