企业官网建设流程全解析

1. 项目概述：一个真正能落地的开源代码审查 CLI 工具

“open-code-review”这个名字乍一听像某个 GitHub 上刚建的空仓库，但如果你最近在团队里被 PR 堆得喘不过气，或者自己写完一段 Python 脚本总想再确认下有没有低级 bug，又或者你正尝试把大模型能力嵌入到日常开发流里——那它就不是个概念，而是一个你马上能装、能跑、能改、能信任的工具。我从去年开始在三个不同规模的团队里推动代码审查自动化，从最初用 GitHub Copilot 插件随手点几下，到后来自己搭 LLM + Git Hook 的半自动流水线，再到今年彻底放弃“调 API 就完事”的思路，转而专注打磨一个命令行原生、不依赖 Web UI、不上传源码、所有推理本地或可控端侧完成的 CLI 工具——open-code-review 就是这个过程的结晶。

它不是另一个“LLM 包装器”，也不是把 ChatGPT prompt 拼成一行 bash 命令就叫 CLI。它的核心逻辑非常朴素：把一次专业级的代码审查拆解为可复现、可验证、可审计的原子动作。比如，git diff --cached输出的变更内容，不是直接喂给模型，而是先做语义切片（按函数/类/配置块分离）、上下文补全（自动提取对应文件的 import 链、类型定义、最近 commit message）、风险标注（识别硬编码密钥、SQL 拼接、未处理异常路径），再把结构化后的片段送入 LLM 推理层。整个过程全部通过标准输入/输出流转，不写临时文件、不监听端口、不启动后台服务——你执行open-code-review --staged，它就安静地跑完，输出 ANSI 彩色结果，然后退出。没有 daemon，没有 token 管理界面，没有“登录飞书”“绑定企业微信”的引导页。它只做一件事：告诉你这一小块改动，哪里可能出问题，为什么，以及怎么改更稳妥。

适合谁？不是“想尝鲜 LLM 的开发者”，而是每天要 review 20+ PR 的 Tech Lead；不是“学 AI 的学生”，而是正在把 CI 流水线从 shell 脚本迁移到 Rust 的 SRE；不是“追求酷炫 demo 的创业者”，而是需要向客户交付审计报告、证明代码变更经过合规检查的金融系统维护者。它解决的不是“能不能用 LLM 看代码”，而是“如何让 LLM 的判断可追溯、可复核、不越权、不泄密”——这恰恰是当前所有热词里最被忽略的底层命题：当codex cli和zcode cli在比谁接入飞书更快时，没人告诉你，git -c core.quotepath=false这种配置一旦漏掉，LLM 就可能把含中文路径的文件名解析错，进而漏审关键逻辑；当大家讨论temperature 如何影响输出稳定性时，也没人提醒你，对git commit --amend后的单行 diff 做 review，必须关闭 top_p 采样，否则模型会“脑补”出根本不存在的变量名。这些不是边缘 case，而是真实生产环境里每天发生的静默失败。open-code-review 的设计起点，就是从这些失败里长出来的。

2. 整体架构与设计哲学：为什么拒绝“LLM 万能论”

2.1 不是“把 LLM 接进 Git”，而是“用 Git 约束 LLM”

市面上绝大多数代码审查 CLI（包括部分开源项目）本质是“LLM 优先”：先选模型（DeepSeek-Coder、Qwen2.5-Coder、CodeLlama），再想办法把代码塞进去，最后包装成命令行。这种思路天然带来三个硬伤：

• 上下文失控：LLM 输入窗口有限，强行把整个 PR 的 diff 压进 4K token，必然丢失函数签名、类型约束、业务注释等关键元信息；
• 权限泛滥：为获取完整上下文，工具常要求读取.git/config、.env、甚至~/.ssh/目录，一旦模型服务端被攻破，密钥即刻泄露；
• 结果不可验：模型返回一句“建议使用 try-catch 包裹”，你无法知道它是否真的看到了socket.connect()调用，还是仅凭http字符串做了概率猜测。

open-code-review 反其道而行之，采用Git 优先、LLM 退居二线的分层架构：

[Git Layer] ←→ [Context Engine] ←→ [LLM Adapter] ←→ [Output Formatter] ↑ ↑ ↑ ↑ git status AST 解析器 模型协议桥接 ANSI/JSON/Markdown git diff 文件依赖图 temperature 控制 适配 Jenkins/Jira git log 行级变更标记 安全过滤器 支持 --fix 自动修正

Git Layer 是唯一可信入口：所有输入严格来自git diff --cached、git show HEAD:src/main.py等原生命令，不读取任何非 Git 管理的文件。Context Engine 负责把原始 diff 转成带语义的中间表示（IR），例如将：

- conn = sqlite3.connect("db.sqlite") + conn = sqlite3.connect(os.getenv("DB_PATH", "db.sqlite"))

解析为：

{ "change_type": "security", "file": "src/db.py", "line": 42, "before": { "function": "connect", "arg": "\"db.sqlite\"", "hardcoded": true }, "after": { "function": "connect", "arg": "os.getenv(\"DB_PATH\", \"db.sqlite\")", "env_used": true }, "context": { "imports": ["sqlite3", "os"], "surrounding_code": ["def init_db():", " ..."], "commit_message": "refactor: move DB path to env var" } }

这个 IR 结构才是 LLM Adapter 的真正输入。模型不再“看代码”，而是“回答关于 IR 的结构化问题”。比如提问：“该变更是否缓解了硬编码风险？请从以下维度评分（1-5）：① 密钥隔离性 ② 默认回退机制 ③ 环境变量命名规范”。这样，即使模型本身有幻觉，输出也受限于 IR 的字段边界，不会编造不存在的函数名或路径。

提示：这种设计让git -c diff.mnemonicprefix=false这类配置变得至关重要。如果 Git 输出的 diff header 是a/src/db.py b/src/db.py（默认），Context Engine 能精准映射到工作区文件；若启用了 mnemonic prefix（如old/src/db.py new/src/db.py），IR 生成阶段就会因路径不匹配而丢弃上下文。我们在 v0.8.3 版本强制校验 Git 配置，并在open-code-review --init中自动修复。

2.2 LLM 并非黑箱，而是可插拔的“推理引擎”

很多人误以为 open-code-review 绑定了某个特定模型。实际上，它的 LLM Adapter 层抽象了四类协议：

关键区别在于：local://和file://协议完全离线运行，不传输任何代码片段；http://协议要求服务端部署在内网，且 open-code-review 会校验服务端 TLS 证书指纹；api://协议强制启用 payload 加密（AES-256-GCM），密钥由本地keyring管理，且每次请求附带 SHA256 哈希摘要供服务端验签。

我们刻意避免使用trae cli或dify那类“LLM 编排平台”作为后端，因为它们的 workflow 引擎会缓存原始 diff 到数据库，违背“零持久化”原则。相反，open-code-review 的每次调用都是 stateless 的：输入 IR → 模型推理 → 输出 JSON → 清理内存。连临时目录都不创建——所有中间数据都在 RAM 中完成流转。

2.3 安全不是附加功能，而是默认行为

热词里反复出现的“防止密钥泄露”，在 open-code-review 中不是靠文档警告，而是靠三重熔断机制：

1. 输入过滤层：Context Engine 在生成 IR 前，会对原始 diff 执行正则扫描（(?i)password\s*[:=]\s*["']\w+["']、aws_secret_access_key等 37 类模式），匹配项自动替换为<REDACTED>，并标记sensitive:true字段。此步骤在 LLM 接触数据前完成，且规则集可由用户通过--rules ./my-rules.yaml扩展。

2. 模型沙箱层：LLM Adapter 向模型发送的 system prompt 严格限定输出格式：

   你是一个代码审查助手，只能输出 JSON。字段包括：severity（low/medium/high/critical）、message（不超过 120 字）、suggestion（具体修改建议）、code_context（最多 3 行相关代码）。禁止输出任何解释性文字、markdown、链接、或未在 IR 中出现的变量名。

   实测表明，当 prompt 中明确禁用“解释原因”后，模型幻觉率下降 68%（基于 1200 次人工抽检）。

3. 输出审计层：open-code-review --audit命令会重放历史审查记录，对比 IR 原始快照与模型输出，生成差异报告。例如发现某次输出中suggestion字段包含os.environ.get("AWS_SECRET")（而 IR 中该字段已被 redact），则立即标记为安全事件并终止后续流程。

注意：git config --global credential.helper store这类配置会被 open-code-review 主动检测并警告。因为一旦启用，Git 会将凭证明文存入~/.git-credentials，而 Context Engine 在读取.git/config时可能意外加载该文件——这不是工具漏洞，而是 Git 自身设计缺陷。我们在文档中明确要求：生产环境必须使用cache或libsecret凭证助手。

3. 核心细节解析与实操要点：从安装到深度定制

3.1 安装与最小可行验证（5 分钟上手）

不要被“CLI”“LLM”这些词吓住。open-code-review 的安装比git本身还简单——因为它本身就是用 Rust 写的静态二进制，不依赖 Python 环境或 Node.js。

macOS / Linux（推荐）：

# 下载预编译二进制（自动选择 arm64/x86_64） curl -fsSL https://github.com/open-code-review/cli/releases/download/v0.9.1/open-code-review-$(uname -s)-$(uname -m) -o /usr/local/bin/open-code-review chmod +x /usr/local/bin/open-code-review # 验证安装 open-code-review --version # 输出：open-code-review 0.9.1 (commit abc1234, built 2024-06-15)

Windows（PowerShell）：

# 使用 Chocolatey（已安装） choco install open-code-review # 或手动下载（注意：Windows 版本需 .NET 6.0 Runtime） Invoke-WebRequest -Uri "https://github.com/open-code-review/cli/releases/download/v0.9.1/open-code-review-win-x64.exe" -OutFile "$env:ProgramFiles\open-code-review.exe" # 添加到 PATH $env:Path += ";$env:ProgramFiles"

安装后立刻验证核心链路：

# 初始化（自动检测 Git 配置、创建 ~/.opencode/ 目录） open-code-review --init # 创建测试仓库 mkdir test-repo && cd test-repo git init echo 'print("hello")' > hello.py git add hello.py git commit -m "initial commit" # 对暂存区做审查（此时无问题，应返回空结果） open-code-review --staged # 输出：No issues found. # 修改代码引入明显问题 echo 'import os; print(os.getenv("API_KEY"))' >> hello.py git add hello.py # 再次审查 —— 应触发敏感信息告警 open-code-review --staged

预期输出（ANSI 彩色）：

⚠️ [HIGH] Potential secret exposure in hello.py:2 Message: Environment variable 'API_KEY' accessed without validation Suggestion: Use os.getenv("API_KEY", "") and validate non-empty before use Code context: 1: print("hello") 2: import os; print(os.getenv("API_KEY")) 3:

这个过程验证了三件事：Git 集成正常、Context Engine 正确提取了os.getenv调用、安全规则生效。如果卡在某一步，90% 是 Git 配置问题（见 4.2 节）。

3.2 模型配置：如何选择最适合你场景的推理后端

open-code-review 不预装任何模型，这是刻意为之的设计。你有权决定代码在哪里被分析、由谁分析、以何种精度分析。

方案一：纯离线本地推理（推荐给个人/小团队）
适用场景：审查 Python/JS/Go 等主流语言，对响应速度要求不高（<5s），无 GPU。
操作步骤：

# 1. 安装 llama.cpp（macOS 示例） brew install llvm cmake git clone https://github.com/ggerganov/llama.cpp && cd llama.cpp && make clean && make LLAMA_METAL=1 # 2. 下载量化模型（Qwen2.5-Coder-7B-Q4_K_M，约 4.2GB） wget https://huggingface.co/Qwen/Qwen2.5-Coder-7B-Instruct-GGUF/resolve/main/qwen2.5-coder-7b-instruct.Q4_K_M.gguf # 3. 配置 open-code-review 使用 local:// 协议 open-code-review config set llm.backend local://$(pwd)/qwen2.5-coder-7b-instruct.Q4_K_M.gguf open-code-review config set llm.temperature 0.3

关键参数说明：

• temperature 0.3：代码审查需要确定性，过高会导致相同 diff 每次输出不同建议；
• num_ctx 4096：默认值，足够覆盖单个函数变更，无需调整；
• n_gpu_layers 1：M2 Mac 上设为 1 即可启用 Metal 加速，提升 3.2 倍吞吐。

方案二：内网 Ollama 服务（推荐给中大型团队）
优势：模型热更新、多用户共享 GPU、统一 prompt 管理。
部署要点：

# Ollama 服务器（Ubuntu 22.04） curl -fsSL https://ollama.com/install.sh | sh ollama serve & # 后台运行 # 在客户端配置 open-code-review config set llm.backend http://ollama.internal:11434 open-code-review config set llm.model qwen2.5-coder:7b-instruct-q4_K_M

必须配置http://协议的证书校验：

# 获取 Ollama 服务端证书指纹 openssl x509 -in /etc/ollama/certs/ca.pem -fingerprint -noout | sed 's/.*=//;s/://g' | tr '[:lower:]' '[:upper:]' # 输出类似：A1B2C3D4E5F67890... # 注册指纹（防止中间人攻击） open-code-review config set llm.cert_fingerprint A1B2C3D4E5F67890...

方案三：规则驱动的零模型模式（推荐给合规审计）
当你的需求是“禁止使用 eval()”“强制 require HTTPS URL”这类确定性检查时，LLM 反而是累赘。open-code-review 内置 YAML 规则引擎：

# ~/.opencode/rules/security.yaml - id: no-eval severity: critical pattern: '\beval\s*\(' message: "eval() is banned due to code injection risk" suggestion: "Use json.loads() or ast.literal_eval() instead" - id: http-url severity: medium pattern: 'http://[^\s"]+' message: "HTTP URLs are insecure, use HTTPS" suggestion: "Replace http:// with https://"

启用方式：

open-code-review config set llm.backend file:///Users/me/.opencode/rules/security.yaml

实操心得：我在某银行项目中发现，混合使用file://（基础合规）+local://（复杂逻辑）效果最佳。例如先用规则引擎拦截 83% 的硬编码密钥，剩余 17% 的动态拼接场景再交由 LLM 深度分析。这样既保证速度，又不失精度。

3.3 Git 深度集成：让审查成为提交前的肌肉记忆

open-code-review 的真正威力，在于无缝融入 Git 工作流。它不满足于“手动运行”，而是提供三种自动化层级：

层级一：Pre-commit Hook（最轻量）
在.git/hooks/pre-commit中添加：

#!/bin/sh # 检查暂存区是否有高危变更 if ! open-code-review --staged --fail-on high,critical >/dev/null 2>&1; then echo "❌ open-code-review found HIGH/CRITICAL issues. Fix them before commit." exit 1 fi

注意：必须用--fail-on指定严重等级，否则 hook 总是成功。high,critical表示只要存在任一 HIGH 或 CRITICAL 级别问题就中断提交。

层级二：Git Alias（提升日常效率）
在~/.gitconfig中定义：

[alias] orc = "!f() { open-code-review --staged --format json | jq -r '.issues[] | \"\\(.severity) \\(.file):\\(.line) \\(.message)\"'; }; f"

之后执行git orc即可快速查看 JSON 格式问题列表，配合jq做二次过滤。

层级三：CI/CD 集成（生产环境必需）
在 GitHub Actions 中：

name: Code Review on: [pull_request] jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 with: fetch-depth: 0 # 必须获取完整历史，用于 commit message 分析 - name: Install open-code-review run: | curl -fsSL https://github.com/open-code-review/cli/releases/download/v0.9.1/open-code-review-linux-x64 -o /tmp/ocr && chmod +x /tmp/ocr sudo mv /tmp/ocr /usr/local/bin/open-code-review - name: Run review run: | # 只审查本次 PR 的变更 git diff origin/main...HEAD --name-only | xargs -I {} open-code-review --file {} env: OCR_LLM_BACKEND: "http://ollama.internal:11434"

关键技巧：git diff origin/main...HEAD比--staged更适合 PR 场景，因为它捕获的是合并前的最终状态。但要注意，某些 CI 环境（如 GitLab）默认 shallow clone，需先执行git fetch --unshallow。

4. 实操过程与核心环节实现：一次真实审查的全链路拆解

4.1 从git diff到结构化 IR：Context Engine 的工作流

让我们跟踪一次真实的审查请求，看清数据如何流动。假设你在feature/login分支修改了auth.py：

git checkout feature/login git diff --cached auth.py

输出：

diff --git a/auth.py b/auth.py index abc1234..def5678 100644 --- a/auth.py +++ b/auth.py @@ -15,0 +16,5 @@ +def verify_token(token: str) -> bool: + try: + payload = jwt.decode(token, os.getenv("JWT_SECRET"), algorithms=["HS256"]) + return True + except Exception: + return False

open-code-review 接收到此 diff 后，执行以下步骤：

Step 1：Git 元信息提取

• 调用git show HEAD:auth.py获取变更前文件快照（用于 AST 对比）
• 调用git log -1 --pretty=%B获取最近 commit message（“add JWT token verification”）
• 检查.git/config中core.quotepath是否为 false（确保中文路径正确解析）

Step 2：AST 驱动的语义切片
使用 tree-sitter-python 解析auth.py，定位新增函数verify_token的节点范围（line 16-21）。不依赖正则，因此能准确识别：

• jwt.decode()调用中的os.getenv("JWT_SECRET")参数
• except Exception:的宽泛捕获模式
• 函数缺少类型注解（-> bool存在，但参数未标注str）

Step 3：上下文补全

• 从auth.py头部提取import jwt, os
• 检查requirements.txt是否包含PyJWT>=2.0.0（存在）
• 查找os.getenv("JWT_SECRET")在项目中其他位置的使用（发现config.py中有JWT_SECRET = os.getenv("JWT_SECRET", "dev-secret")）

Step 4：IR 生成
最终生成的 IR（简化版）：

{ "file": "auth.py", "change_id": "a1b2c3d4", "type": "function_add", "function_name": "verify_token", "lines": [16, 21], "imports": ["jwt", "os"], "dependencies": ["PyJWT"], "security": { "hardcoded_secret": false, "env_var_used": true, "env_var_name": "JWT_SECRET" }, "robustness": { "broad_exception": true, "missing_type_hint": true }, "context": { "commit_message": "add JWT token verification", "related_files": ["config.py"] } }

这个 IR 体积仅 1.2KB，却包含了 LLM 推理所需的所有结构化信息。相比直接发送 20 行代码文本，它减少了 73% 的 token 消耗，且消除了路径解析歧义。

4.2 LLM Adapter 的协议桥接与安全加固

IR 生成后，LLM Adapter 根据配置选择后端。以local://为例，它调用 llama.cpp 的 C API，而非 shell 命令，避免进程间通信开销：

// src/llm/local.rs pub fn run_inference(&self, ir: &Ir) -> Result<ReviewResult> { let prompt = self.build_prompt(ir); // 构建严格格式的 prompt let mut params = llama_cpp::InferenceParams::default(); params.temperature = self.config.temperature; params.top_p = 0.0; // 关键！禁用 top_p，确保确定性输出 params.n_predict = 512; // 内存安全：输入 prompt 限制在 2048 tokens let truncated_prompt = truncate_to_tokens(&prompt, 2048); let output = self.llama_model.infer(&truncated_prompt, &params)?; self.parse_json_output(&output) // 强制解析为 ReviewResult 结构体 }

build_prompt方法生成的 system prompt 是：

You are a senior Python developer reviewing code changes. Output ONLY valid JSON with these keys: severity (low/medium/high/critical), message (concise, <120 chars), suggestion (concrete fix), code_context (3 lines max). Do NOT explain, do NOT use markdown, do NOT invent variables not in the input.

而用户 prompt 是：

{ "file": "auth.py", "function": "verify_token", "security": {"env_var_used": true, "env_var_name": "JWT_SECRET"}, "robustness": {"broad_exception": true, "missing_type_hint": true}, "context": {"commit_message": "add JWT token verification"} }

模型输出示例（经parse_json_output验证）：

{ "severity": "high", "message": "Broad exception handler masks JWT decode errors", "suggestion": "Catch jwt.InvalidTokenError and jwt.ExpiredSignatureError separately", "code_context": [ " except Exception:", " return False" ] }

注意：top_p = 0.0是关键安全设置。实测显示，当top_p = 0.9时，同一 IR 会得到 3 种不同建议（如建议用try/except jwt.PyJWTError或try/except Exception as e），而top_p = 0.0强制模型选择概率最高的单一路径，确保结果可复现。这也是为什么temperature设为 0.3 而非 0.0——保留少量多样性以应对模糊场景，但绝不牺牲确定性。

4.3 输出格式化与工程化集成

open-code-review 支持四种输出格式，适配不同场景：

PR 描述自动生成实战：
在 GitHub PR 模板中加入：

## Code Review Summary <!-- open-code-review-output -->

然后运行：

open-code-review --pr --format md > /tmp/review.md sed -i '' '/<!-- open-code-review-output -->/ { r /tmp/review.md d }' .github/PULL_REQUEST_TEMPLATE.md

生成的 Markdown 包含：

• 问题分类统计（High: 2, Medium: 1）
• 每个问题的代码块引用（带行号）
• 一键跳转链接（auth.py#L18）
• 修复建议的复制按钮（浏览器中）

与 Jenkins 集成技巧：
Jenkins Pipeline 中：

stage('Code Review') { steps { script { def result = sh( script: 'open-code-review --staged --format json', returnStdout: true ).trim() if (result == '{}') { echo '✅ No issues found' } else { def issues = readJSON text: result if (issues.issues.any { it.severity in ['high', 'critical'] }) { error '❌ High/Critical issues found' } } } } }

5. 常见问题与排查技巧实录：那些文档里不会写的坑

5.1 Git 配置引发的静默失败（高频问题）

现象：open-code-review --staged总是返回 “No issues found”，但你知道代码里有明显问题。
根因：core.quotepath默认为true，导致含中文或特殊字符的文件名被转义，Context Engine 无法匹配git show输出。
验证：

git config --get core.quotepath # 若输出 true，则是问题 git diff --cached --name-only | head -1 # 查看是否显示 "src/\344\273\243\347\240\201.py"

解决：

git config --global core.quotepath false # 或针对当前仓库 git config core.quotepath false

现象：审查结果中code_context显示错误行号（如显示第 1 行，实际是第 15 行）。
根因：git diff输出的@@ -15,0 +16,5 @@行号偏移未被正确解析。
解决：升级到 v0.9.1+，该版本已修复 diff parser 的 off-by-one 错误。旧版本可临时用--debug查看原始 diff 输入。

5.2 模型相关疑难杂症

现象：local://模式下报错llama_cpp: failed to load model。
排查顺序：

1. 检查模型文件路径是否含空格或中文（llama.cpp 不支持）
2. 运行file qwen2.5-coder-7b-instruct.Q4_K_M.gguf确认是data格式，非text/plain
3. 在 macOS 上，若用 Homebrew 安装 llvm，需export LLVM_CONFIG=/opt/homebrew/opt/llvm/bin/llvm-config

现象：http://模式返回404 Not Found。
注意：Ollama 的/api/chatendpoint 要求 POST 请求，而 open-code-review 默认用 GET。正确配置是：

open-code-review config set llm.backend http://ollama.internal:11434/api/chat

现象：file://规则模式不生效。
关键点：规则文件必须是 UTF-8 编码，且 YAML 中的pattern字段是正则表达式，需转义反斜杠。例如匹配os.system(应写为os\.system\s*\(，而非os.system(。

5.3 安全审计特有问题

现象：open-code-review --audit报告 “IR hash mismatch”，但代码未修改。
真相：IR 生成依赖 Git commit hash，而git commit --amend会改变 hash。此时需重新运行open-code-review --staged生成新 IR 快照。
建议：在 CI 中，--audit应只对origin/main基线运行，而非 amend 后的临时分支。

现象：--fail-on critical在 CI 中总是失败，但本地--staged正常。
根因：CI 环境通常 shallow clone，git show HEAD:auth.py失败，导致 IR 缺失上下文，安全规则误报。
解决：在 CI step 中添加git fetch --unshallow || true。

5.4 性能调优实战清单

我踩过的最大坑：在某 Kubernetes 项目中，open-code-review因默认使用git ls-files列出所有 tracked 文件，而该 repo 有 12 万个文件，导致初始化耗时 83 秒。解决方案是启用--include过滤：open-code-review --staged --include "**/*.py,**/*.go"。现在审查时间稳定在 1.2 秒内。

6. 进阶扩展与未来演进：不止于 CLI

6.1 VS Code 插件：把审查能力带到编辑器内

open-code-review 官方插件（open-code-review.vscode）不是简单包装 CLI，而是利用 VS Code 的 Language Server Protocol（LSP）实现：

• 实时诊断：在 typing 时，对当前文件的 unsaved change 做轻量级 IR 生成（跳过 AST 解析，仅做正则扫描）
• 悬停提示：鼠标悬停os.getenv("KEY")时，显示安全建议（来自file://规则）
• 代码操作：Ctrl+.快捷键提供Replace with os.getenv(..., default)一键修复

插件与 CLI 共享同一套配置，open-code-review config的修改会实时同步。这意味着你在终端配置的llm.backend，编辑器里也生效。

6.2 与现有工具链的协同