企业官网建设流程全解析

1. 项目背景与整体思路

1.1 为什么我想给 Spring Boot 项目配上 AI 代码评审

我一直在维护几个 Spring Boot 的中小型项目，代码量不算特别大，但该有的模块一个不少——Controller、Service、Mapper 层层分包，还有 MyBatis 的 XML、DTO/VO 转换、Redis 缓存、定时任务、消息队列这些都混在一起。平时忙起来根本没时间做严格的自查，更别提交叉 review 了。看着代码一天天长胖，坏味道越来越多，我心里其实一直在琢磨：能不能让本地跑一个 AI，帮我把代码过一遍？

直到我把 OpenClaw + DeepSeek + Ollama 这套组合搭起来之后，第一次真的跑完一次自动 review，那种感觉挺微妙的——像多了一个不需要睡觉的同事，提交代码之后它就认真地翻代码，指出问题，还在关键行写上“这个循环里频繁查库，建议改为批量查询”。那一刻我就知道，这东西值得认真写一篇实操记录。

这篇文章会面向两类读者：一类是想给 Spring Boot 项目配上本地 AI 代码审查的开发者，另一类是想搞清楚 OpenClaw、DeepSeek、Ollama 三者之间到底是什么关系、怎么配合的人。我会把完整的架构思路、部署步骤、提示词设计、常见问题都写出来，过程尽可能真实，包括我踩过的坑。

1.2 OpenClaw + DeepSeek + Ollama 这套架构到底在解决什么问题

很多人第一次看到这三个名词凑在一起，直觉反应是：这仨是不是重复了？OpenClaw 是个框，Ollama 也跑模型，DeepSeek 也是模型，到底谁是谁？

我用一个很直白的类比解释一下。把整条链路想成一家餐厅：DeepSeek 是做饭的大厨，负责真正“看懂代码、给出评审意见”；Ollama 是给大厨准备的本地厨房，让大厨能在你自己的服务器上干活，不需要把菜送到外面的中央厨房（也就是云端 API）；OpenClaw 则是餐厅经理，负责接单、传菜、整理大厨输出的内容，再按照你定的流程把结果送回后厨——也就是你的 Git 工作流。

换句话说，OpenClaw 负责任务编排和流程控制，DeepSeek 负责智力输出，Ollama 负责本地模型托管和推理加速。这三者各管一段，合在一起就能实现：你在本地改完代码，提交到 Git 仓库，触发一次自动检查，OpenClaw 读取变更的文件列表，把 diff 和上下文交给 Ollama 上运行的 DeepSeek 模型，模型给出评审意见，OpenClaw 再把意见汇总成一份报告，甚至还可以用 Webhook 把结果推送到企微群或者飞书群里。

我把这套流程跑了快两个月，最大的感受是：它不像那些在线 AI 代码工具那样“黑盒”，而是每个环节都能自己控制。模型放本地，代码不出内网，成本也几乎只有电费。如果你跟我一样对代码审查有持续刚需，但不希望把代码扔给第三方服务，这套方案会非常对胃口。

2. 三大组件的选型分析与核心原理解读

2.1 OpenClaw 是什么？为什么我在这个场景里选它

OpenClaw 是一个可编程的 AI 智能体框架，它的定位是“让 AI 能操作真实工具、执行真实任务”。你可以把它理解成一个自带工具库的任务执行器，它支持调用外部命令、读写文件、访问 HTTP 接口、与模型服务通信，并且提供了一套技能（Skill）机制，让开发者把常用的操作封装成可复用的单元。

以我这次做代码 review 为例，OpenClaw 的技能封装方式大概是这样的：

• 一个git_diff技能，负责取 Git 仓库的变更内容；
• 一个review_prompt技能，负责把 Java 代码的 diff 信息拼装成结构化的提示词，附带项目上下文和代码规范；
• 一个send_report技能，负责把 DeepSeek 返回的评审结论整理成 Markdown 报告，写回本地目录或推送到消息接口。

OpenClaw 的优势在于它的调度机制足够轻，又有清晰的技能边界。它不是那种“什么都做但什么都不深”的通用助手，而是支持你自己定义流程的智能体运行时。在实际使用中，我发现它的稳定性比我自己之前用 Python 脚本加模型 API 拼出来的那一套要强很多，因为容错和重试逻辑都是内建的，不需要自己处理。

2.2 DeepSeek 代码评审能力为什么够用

DeepSeek 在代码生成和代码理解上的表现，我做过对比测试。就拿 Spring Boot 的常见问题来说：事务注解失效的场景、MyBatis 批量插入性能、Controller 层参数校验缺失、循环依赖预警等，它都能给出有实际意义的判断，不是那种万金油式的回答。

我最满意的是它对“劣质代码坏味道”的敏感度。比如下面这段，是我故意写的一个反面案例：

public List<OrderVO> getOrderList(String userId) { List<Order> orders = orderMapper.selectByUserId(userId); List<OrderVO> result = new ArrayList<>(); for (Order order : orders) { OrderVO vo = new OrderVO(); vo.setId(order.getId()); vo.setUserName(userMapper.selectById(order.getUserId()).getUserName()); result.add(vo); } return result; }

DeepSeek 的评审意见非常直接就指出：循环中多次调用 userMapper 查询用户名，属于典型的 N+1 问题，建议先批量查询用户信息再组装返回。它还会顺带提醒：如果这个接口被频繁调用，大量短连接查询会拖垮数据库连接池。

要把 DeepSeek 调到这个水平，用对提示词格式非常关键。我在 review 场景里把提示词固定成“角色定义 + 审查重点 + 输出格式”三段式结构，稳定性和评审质量都有明显提升。具体怎么设计，我后面会专门写一节。

2.3 Ollama 在链路里扮演的角色，以及它和 DeepSeek 的协同方式

Ollama 是业界非常流行的本地模型运行工具，它把 llama.cpp 这类推理引擎封装成了简洁的命令行和 API 服务。你只需要一个命令就能把模型拉下来运行，还支持 OpenAI 兼容的接口格式，这对接 OpenClaw 非常方便。

我在这套架构里选择 Ollama，核心原因是它简单、稳定、可控。模型文件全部落在本地磁盘，启动之后监听默认端口 11434，OpenClaw 可以直接把 Ollama 当作一个 OpenAI 兼容的服务来调用。

DeepSeek 模型在 Ollama 生态里主要以量化版本提供。以我使用的 deepseek-coder 或 qwen2.5-coder 系模型为例，普通 16GB 内存、8GB 显存的机器就能流畅跑 7B 级别的量化模型；如果你有 24GB 显存，可以考虑 14B 甚至更大的参数版本，评审的细致程度会再上一个台阶。

Ollama 还提供了模型常驻内存的机制，调完一次之后，下一次推理速度会明显加快。这个特性对频繁迭代代码、反复触发 review 的场景非常有用。

实际上在部署实践中，因为服务器在国内、拉取模型镜像慢的问题很常见，Ollama 在 2025 年版本后提供了更友好的离线安装与配置方式，这部分我在部署章节里单独说明。至少我在本机部署时完全绕开了网络下载模型的痛苦，用镜像文件导入就能搞定。

3. 本地完整部署与配置实操

3.1 环境准备：系统要求与依赖清单

先说结论，我这套方案对硬件要求不算苛刻。我实际跑通的设备是一台 32GB 内存的 Linux 工作站，配了一块 12GB 显存的旧显卡，模型用的 7B 量化版。如果你没有独立显卡，16GB 内存的机器跑 3B~7B 版本也能出效果，只是速度会慢一些。

准备清单大致如下：

• 操作系统：Ubuntu 22.04 / 24.04，Windows 11（WSL2）也可以，但建议 Linux 优先；
• 内存：至少 16GB，32GB 更舒服；
• 存储：模型文件和项目代码预留 30GB 空间，如果是离线安装包方式存放，还要多留 20GB 给镜像缓存；
• 工具链：Git、Java 17、Maven、Node.js 18+（OpenClaw 依赖 Node 运行）；
• 代码仓库：需要一个真实的 Spring Boot 项目，或者临时 clone 一个开源项目来测试。

依赖安装部分，我直接讲关键节点。先确认系统已经装了 Node.js 和 npm，然后全局安装 OpenClaw：

npm install -g @openclaw/cli

装完后验证一下版本：

openclaw --version

如果这一步正常输出版本号，说明主体环境已经就绪。接下来要处理 Ollama，它是整个推理服务的地基。

3.2 Ollama 安装、离线模型导入与模型路径调整

Ollama 的常规安装方式很简单，一行命令搞定：

curl -fsSL https://ollama.com/install.sh | sh

但实际部署中，国内网络拉取模型往往非常慢，这也是很多人在网上搜“ollama下载慢”“ollama离线安装包”的核心痛点。我的建议是记住两条路：一条是官方源，适合网络顺畅的情况；另一条是离线包导入，适合服务器在公网环境下受限的场景。

先讲离线导入。你需要在一台能正常访问外网的机器上下载模型文件，格式是 GGUF 或者 Ollama 官方打包好的模型镜像。Ollama 支持通过 Modelfile 方式导入：

ollama create deepseek-coder-local -f ./Modelfile

Modelfile 里面可以这样写：

FROM ./deepseek-coder-6.7b-instruct-q4_k_m.gguf

这样就会把本地 GGUF 文件注册成名为deepseek-coder-local的模型。之后运行的时候：

ollama run deepseek-coder-local

只要能正常进入对话界面，说明模型导入成功。

再讲模型存储路径调整。默认情况下，模型文件会放在~/.ollama/models，如果你的系统盘空间比较紧张，建议把模型目录迁移到其他分区。方法很简单：设置环境变量OLLAMA_MODELS，或者在 systemd 服务配置里指定路径。

我实际操作时是在/etc/systemd/system/ollama.service里加了这么一段：

[Service] Environment="OLLAMA_MODELS=/data/ollama-models"

然后重启服务：

systemctl daemon-reload systemctl restart ollama

这样模型就稳稳地落在数据盘上，再也不用担心系统盘被撑爆了。这里我特别想强调一件事：很多人拉模型失败或者下载中断，原因往往不是网速，而是磁盘空间不足。模型文件动辄 4~8GB，拉取过程会先下载到临时目录再解压，如果临时目录空间不够，就会一直卡在 99%。建议第一次安装前先检查df -h，把空间留足。

3.3 OpenClaw 初始化与 DeepSeek 模型接入配置

OpenClaw 装好之后，第一步是初始化它的配置目录：

openclaw init

初始化完成之后，会在当前用户目录下生成.openclaw/配置文件。里面最重要的一个文件是config.yaml，OpenClaw 通过它来识别模型服务的接入方式。我直接把配置写成了指向本地 Ollama 服务：

model: provider: ollama endpoint: http://127.0.0.1:11434 model_name: deepseek-coder-local temperature: 0.2 max_tokens: 4096

注意几个关键点。temperature我建议设在 0.2 左右，代码评审需要稳定输出，温度太高会出现“过度脑补”的情况，就是模型会挑一些不存在的毛病，还给出一些不痛不痒的建议。max_tokens设得稍大一些，因为评审意见经常包含多段分析，太小会被截断。

配置好之后，验证联通性：

openclaw test

正常情况下，OpenClaw 会向 Ollama 发送一个测试请求，返回模型名称和响应时间。如果你的环境里 Ollama 和 DeepSeek 模型都在运行，这个测试结果会非常直观。我最初忽略了这个测试步骤，直接启动任务，结果遇到接口路径不对的问题，排查了很久才意识到是 endpoint 少了一个端口段。先测试联通，可以省掉后面一大半麻烦。

如果你想直接调用 DeepSeek 的在线 API 而不是本地模型，配置方式是类似的：

model: provider: deepseek api_key: sk-xxxx model_name: deepseek-chat endpoint: https://api.deepseek.com

不过在代码不落地的内网环境里，本地 Ollama 始终是更安全的选择。两者切换也很方便，改一下配置重启服务就行。

3.4 给 Spring Boot 项目配置 Git 钩子与自动化触发

模型和框架都就位之后，下一步是把它挂到真实的开发流程里。最自然的做法是利用 Git 的 pre-commit 钩子：每次提交代码前，自动触发一次增量 review。

在项目根目录下创建.git/hooks/pre-commit：

#!/bin/bash echo "Running AI code review..." openclaw run review --diff-only

加了可执行权限：

chmod +x .git/hooks/pre-commit

--diff-only的含义是只审查本次提交涉及的变更文件，而不是整个仓库，这样可以明显缩短评审耗时，也让评审意见更贴合本次改动。如果想做全量代码的健康检查，可以用--full-scan参数，跑一次完整分析，适合定期做代码体检。

另外一个常用的触发方式是接入 CI/CD 流水线。比如在 GitLab CI 里加一个 job：

code-review: stage: test script: - openclaw run review --diff-only only: - merge_requests

这样每次发起合并请求时，流水线会自动执行 AI 评审，并把结果作为 pipeline 的一个环节展示出来。相比本地钩子，这种方式更不依赖开发者的个人环境，结果也更容易共享给团队。

我的建议是本地钩子和 CI 两个都用：本地钩子拿来做即时反馈，CI 拿来做门禁和归档。前者让开发者提交前就能心里有数，后者让团队有一个统一的评审记录沉淀。

4. 核心环节实现：提示词设计、技能封装与上下文管理

4.1 代码评审提示词的固定结构，我如何设计三层模板

代码评审质量的高低，百分之六十取决于提示词设计，这句话一点都不夸张。同样的模型，你用“帮我看看这段代码有问题吗”和用结构化的 prompt，效果完全是两个量级。

我最后固定下来的提示词模板分三层：

第一层是角色与目标定义。让模型明确它扮演的是“具备 10 年经验的 Java 架构师，专注于 Spring Boot 工程质量”，审查目标不是教学，而是发现真实缺陷、给出修改建议。

第二层是审查重点列表。我会明确告诉模型关注哪些方面，这一层是提示词的核心，因为它决定了模型的注意力分布。我实际使用的重点包括：事务边界是否正确、是否存在 N+1 查询、DTO/VO 使用是否清晰、异步线程安全性、异常处理是否合理、是否硬编码配置项、MyBatis 动态 SQL 是否有 SQL 注入风险等。

第三层是输出格式约束。我要求模型的评审结果必须结构化为固定格式：问题等级（P0/P1/P2）、问题位置（文件名+行号）、问题描述、修改建议、修改示例代码。固定格式非常重要，因为它决定了 OpenClaw 能否把结果自动化处理成报告。

以下是简化版提示词，我在 OpenClaw 技能里用的完整版本在此基础上增加了项目上下文：

你是一个资深 Java 技术专家，擅长 Spring Boot 架构评审。 请基于以下代码变更内容，进行代码审查。 审查重点： 1. 事务注解使用是否合理，事务边界是否正确 2. SQL 查询是否存在 N+1 问题 3. 异常处理是否规范，是否吞异常 4. 是否有明显的并发安全隐患 5. 是否存在配置硬编码 6. 接口参数校验是否完整 输出要求： - 必须按照“问题等级+位置+描述+建议+示例代码”的格式输出 - 等级分 P0（必须修复）、P1（建议修复）、P2（优化建议） - 如果代码没有问题，输出“本次变更未发现明显问题” 以下是变更内容： {diff_content}

4.2 在 OpenClaw 里封装一个可复用的 review 技能

OpenClaw 的技能机制，简单说就是一个带参数入口的脚本。我创建了一个名为code-review-skill的技能目录，里面包含三个关键文件：

• skill.yaml：技能元信息，包括技能名、参数定义、模型配置；
• run.sh：执行入口，负责调用 git、OpenClaw CLI、模型服务；
• templates/review-prompt.md：提示词模板，与上一节的三层结构对应。

run.sh的逻辑不需要很复杂，核心就几步：

#!/bin/bash STAGED_DIFF=$(git diff --cached) echo "$STAGED_DIFF" > /tmp/review_diff.txt openclaw skill run code-review-skill \ --input /tmp/review_diff.txt \ --output review_result.md

如果你对命令行比较熟，也可以直接用 OpenClaw 内置的对话接口传参，把 diff 拼进消息里发送：

openclaw run review "请审查以下变更：$(cat /tmp/review_diff.txt)"

我个人偏好先把 diff 写文件，再让技能读取，因为 diff 内容可能很长，命令行直接传参容易碰到长度限制或者转义问题。

4.3 上下文越界问题：如何让模型理解 Spring Boot 项目结构

直接把 diff 丢给模型，评审效果通常会打折扣。原因在于很多问题需要结合项目上下文才能判断。比如一个 Service 方法里直接调了另一个 Service 的方法，如果 diff 里看不到被调用方的定义，模型可能判断不出这是不是循环依赖。

所以我在 OpenClaw 技能里加了一个可选参数--context，它支持传入项目目录的 tree 结构，以及几个关键配置文件的内容：

openclaw run review \ --diff mirror_diff.txt \ --context project_tree.txt \ --context pom.xml \ --context application.yml

OpenClaw 会把多个 context 文件按顺序拼接进提示词，作为一个独立的上下文区段。这样模型在处理 diff 时，能随时参考项目整体结构，判断准确性会好很多。

我在实践中的一个体会是：上下文不是越多越好。之前我贪心地把整个核心模块的 Java 文件都塞进去，结果模型反而被大量无关代码干扰，输出质量明显下降。后来我把上下文限制在“项目树 + 核心配置 + 涉及变更文件的关联类列表”，效果最好。这是一个需要反复调试的平衡点，你可以在自己项目里试几轮，找到最合适的范围。

4.4 借助 FastAPI + Ollama 补充自定义审查接口

如果你不想每次都在命令行里操作，也可以给这套系统包一层 HTTP 接口，方便集成到你的内部工具平台或者 IDE 插件里。FastAPI 本身非常轻，配合 Ollama 的 OpenAI 兼容接口，实现一个审查 API 只需几十行代码。

我写的简易接口大概长这样：

from fastapi import FastAPI, Request import requests import json app = FastAPI() OLLAMA_URL = "http://127.0.0.1:11434/api/chat" @app.post("/review") async def review_code(request: Request): body = await request.json() diff_content = body.get("diff", "") messages = [ {"role": "system", "content": "你是资深 Java 架构师，专注于 Spring Boot 代码审查。"}, {"role": "user", "content": f"请审查以下代码变更：\n{diff_content}"} ] payload = { "model": "deepseek-coder-local", "messages": messages, "stream": False } resp = requests.post(OLLAMA_URL, json=payload) data = resp.json() return {"review": data["message"]["content"]}

然后启动服务：

uvicorn review_api:app --host 0.0.0.0 --port 8899

这样做的好处是，以后不管什么工具需要调用 AI 代码审查，都只需要往/review发一个 POST 请求即可。比如可以接入 IDEA HTTP Client、Postman、内部管理系统，甚至微信机器人。不过要注意，如果这个服务暴露在公网，一定要加鉴权，至少加一个简单的 token 头，否则别人可以白嫖你的算力。

5. 真实评审效果与常见问题排查实录

5.1 我用一个真实的 Spring Boot + MyBatis 项目做了三轮测试

为了验证整套系统的评审能力，我从公司旧项目里抽了一个典型的订单模块，包含 Controller、Service、Mapper 三层，涉及 18 个 Java 文件。然后故意在代码里埋了几个常见的坑：

第一处是事务失效问题，在同一个类中通过this.xxx()调用另一个带有@Transactional的方法。第二处是 N+1 查询，在循环里逐条查用户表。第三处是参数校验缺失，接收前端参数直接入库。第四处是硬编码状态码，Magic Number 散落在代码里。

三轮测试结果如下：

第一轮是纯 diff 输入，不附带上下文。模型能发现 N+1 和硬编码问题，但事务失效问题没有识别出来，因为它只看到了局部代码，不知道调用关系的完整链路。

第二轮加上项目结构和配置上下文后，事务失效问题被准确识别了，模型甚至点出了 Spring AOP 代理机制：自调用会被 this 指向目标对象本身，而不是代理对象，所以事务注解不会生效。这个判断相当专业，让我有点意外。

第三轮我调整了提示词中的审查重点顺序，把“事务边界”提到第一位，结果模型不仅识别了原有问题，还额外发现了一个线程安全问题：某个 Service 里用了 SimpleDateFormat 作为成员变量，在多线程环境下存在日期解析并发隐患。这一点是我自己都没注意到的。

这轮测试之后，我的结论是：这套系统在“识别常见代码坏味道和常规缺陷”这个层面，已经达到甚至超过普通中级开发者的评审水平，但对项目业务逻辑的深层理解仍然有限，比如业务规则矛盾、状态机迁移不合逻辑这类问题，它很难发现。所以它适合当一道自动化防线，不完全替代人工评审。

5.2 常见问题速查表与排查技巧

我在实际部署和日常使用过程中，遇到过不少问题，下面整理成一张速查表，也是我在几次测试运维中最常被问到的问题。

还有一个非常实用的排查技巧：如果你怀疑是模型输出质量的问题，而不是链路配置的问题，可以直接用 Ollama 的原生命令单独跑一次：

ollama run deepseek-coder-local "请审查以下代码：..."

如果原生命令的回复质量正常，说明问题出在 OpenClaw 的提示词封装或上下文处理上；如果原生命令回复也差，那就是模型版本或者量化精度的问题。这个二分排查法帮我省了很多时间。

5.3 关于模型微调与提示词调优的进阶建议

如果有服务化需求，比如要把整条链路部署成对团队开放的代码评审平台，光靠 OpenClaw 默认配置可能不太够。你需要考虑加一层前置代码分析工具，比如用 JavaParser 或者 PMD 先做一轮静态规则检查，把规则检测结果也喂给模型，让模型结合规则命中行做深入分析。这样能大幅提升评审的覆盖面和准确性，因为静态规则擅长模式匹配，而 DeepSeek 擅长语义理解，两者互补。

模型微调这块我也简单说一句：我不建议普通团队自己微调 DeepSeek，成本高而且收益不稳定。与其花时间微调，不如把提示词和上下文管理做到极致。我实测下来，配合动态获取变更文件对应的 Service 层方法定义后，评审准确率至少提升了三成。如果你手里的 Spring Boot 项目有统一的代码规范文档，也可以把它作为上下文片段加入提示词，模型会严格贴着你的规范来给建议。

另外提醒一下，如果你用 IDEA 社区版，它是支持 Git 钩子的，OpenClaw 的--diff-only模式可以直接在提交时触发，不需要依赖付费插件。我就是在 IDEA 社区版里体验整个流程的，没花一分钱工具钱。

6. 一些心得与扩展方向

这套方案跑通之后，我现在每天提交代码前都会习惯性地跑一次 AI 评审，每次大概 30 秒到 2 分钟不等，取决于改动量。绝大多数时候它能发现一两个我忽略的小问题，偶尔还能给出让我“拍大腿”的好建议。我把这些建议同步到团队的评审流里，同事们一开始觉得新鲜，后来也开始在本地试这套组合。

最值得说的一个收获是：有了自动评审之后，我自己写代码的心态发生了微妙的变化。以前赶功能的时候，总想着“先跑通再说”；现在想到代码提交后会被 AI 翻一遍，下意识会多检查一遍事务、异常和边界条件。这种正向反馈是工具本身的额外价值。

如果你也想在手机或者其他轻量设备上尝试这套流程，其实 OpenClaw 在 Android 上也有部署可能，用 Termux 就能跑起来，DeepSeek 走在线 API 的话，手机也没压力。不过说实话，手机端体验更多是尝鲜，真的做工程代码评审，还是建议用桌面环境。

最后分享一个小技巧：在 OpenClaw 的技能里，可以把提示词里的审查重点做成外部配置文件，这样不同项目可以挂不同规范。比如电商项目挂订单事务和库存一致性审查规则，内部管理系统挂权限校验和日志审计审查规则。这样复用性会强很多，团队协作时也更加省心。我在实际操作中就是这么做的，效果很好，这套思路你也可以直接拿去用。