Создаём open-source аналог CodeRabbit в 6 раз дешевле: пошаговое руководство

Почему CodeRabbit — это роскошь, которую вы не обязаны терпеть

CodeRabbit — отличный сервис. Пока не посмотришь на ценник. $15-25 за пользователя в месяц — для команды из 10 человек это $1500-2500 в год. И это за ревью, которое часто сводится к «уберите магические числа» и «добавьте типы». Проблема не в том, что он плох. Проблема в том, что вы переплачиваете за то, что можно сделать самому за вечер.

Мы — команда DevOps-инженеров, которые устали платить за SaaS, где 80% функционала — это обёртка вокруг API GPT/Claude. Решили собрать свой пайплайн. Результат: полноценный AI-ревьюер на базе DeepSeek V4 в связке с GitHub Actions. Цена — в 6 раз дешевле CodeRabbit. Ниже — полный рецепт. Без воды.

Архитектура решения: меньше магии, больше контроля

В основе — три компонента: триггер (GitHub Actions), анализатор (скрипт на Python) и LLM (DeepSeek V4 через OpenRouter). Весь пайплайн работает в облаке бесплатно (в рамках лимитов GitHub Actions) или на вашем сервере за $10-20 в месяц. CodeRabbit же тянет тысячи долларов.

Шаг 1: Создаем GitHub Actions workflow

Триггер — событие pull_request. Не советую ставить на все PR подряд — быстро сожжете квоты. Лучше повесить на label, например ai-review, или только на PR в main. Ниже — оптимизированный workflow.

Как НЕ надо делать

Новички часто копируют примеры с pull_request_target — это дыра в безопасности. Злоумышленник может подсунуть вредоносный код напрямую в воркфлоу. Всегда используйте pull_request и checkout с ref: ${{ github.event.pull_request.head.sha }}.

name: AI Code Review
on:
  pull_request:
    types: [opened, synchronize]
    branches: [main]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          ref: ${{ github.event.pull_request.head.sha }}
          fetch-depth: 0

      - name: Get diff
        run: |
          git fetch origin ${{ github.base_ref }} --depth=1
          git diff origin/${{ github.base_ref }}...HEAD > diff.txt

      - name: AI review
        env:
          OPENROUTER_API_KEY: ${{ secrets.OPENROUTER_API_KEY }}
        run: |
          python review.py diff.txt

Зачем fetch-depth: 0? Без этого git diff не увидит базовую ветку. Ещё один подвох: если PR содержит бинарные файлы, diff раздует токены — лучше исключить из диффа через .gitattributes.

Шаг 2: Скрипт ревьюера — превращаем diff в замечания

Пишем на Python (3.11+). Основная логика: прочитать дифф, разбить на chunks, отправить в LLM, распарсить ответ, оставить комментарий. Важный момент: не отправляйте весь файл целиком — у DeepSeek V4 контекст 200K токенов, но зачем тратить деньги? Отправляйте только изменённые строки с окружающим контекстом в 5-10 строк.

import os, sys, requests, json

def get_diff(path):
    with open(path) as f:
        return f.read()

def review_chunk(chunk: str) -> str:
    prompt = f"""You are a senior code reviewer. Analyze this diff and list only issues with severity:
HIGH / MEDIUM / LOW. Be concise. Provide suggestion if possible.

Diff:
{chunk}

Return JSON array of objects: {{"file": "...", "line": 42, "issue": "...", "severity": "...", "suggestion": "..."}}"""
    response = requests.post(
        "https://openrouter.ai/api/v1/chat/completions",
        headers={
            "Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}",
            "Content-Type": "application/json"
        },
        json={
            "model": "deepseek/deepseek-v4",
            "messages": [{"role": "user", "content": prompt}],
            "temperature": 0.2,
            "max_tokens": 2000
        }
    )
    return response.json()["choices"][0]["message"]["content"]

def main():
    diff = get_diff(sys.argv[1])
    # Разбиваем на части по 5000 токенов (упрощённо)
    chunks = [diff[i:i+5000] for i in range(0, len(diff), 5000)]
    all_findings = []
    for chunk in chunks:
        result = review_chunk(chunk)
        try:
            all_findings.extend(json.loads(result))
        except:
            print("Failed to parse LLM response")
    # Сохраняем для следующего шага
    with open("findings.json", "w") as f:
        json.dump(all_findings, f)

if __name__ == "__main__":
    main()

Да-да, парсинг JSON из LLM — это лотерея. Но с temperature=0.2 и правильным промптом DeepSeek V4 выдаёт валидный JSON в 95% случаев. Если хотите надёжности — оборачивайте в retry с fallback на повторный запрос.

Шаг 3: Отправляем комментарии в PR

GitHub API позволяет оставлять review с замечаниями на конкретные строки. Нам нужно получить pull_number и commit_id. В GitHub Actions эти переменные доступны через контекст github. Добавляем шаг в workflow:

- name: Post review
  env:
    GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
  run: |
    python post_review.py findings.json ${{ github.event.pull_request.number }} ${{ github.event.pull_request.head.sha }}

А вот скрипт post_review.py:

import sys, json, os
from github import Github

def main():
    with open(sys.argv[1]) as f:
        findings = json.load(f)
    pr_number = int(sys.argv[2])
    commit_id = sys.argv[3]
    g = Github(os.environ["GITHUB_TOKEN"])
    repo = g.get_repo(os.environ["GITHUB_REPOSITORY"])
    pr = repo.get_pull(pr_number)
    comments = []
    for f in findings[:10]:  # ограничим 10, чтобы не спамить
        comments.append({
            "path": f["file"],
            "body": f"**{f['severity']}**: {f['issue']}\n\n*{f.get('suggestion','')}*",
            "line": f["line"]
        })
    pr.create_review(
        commit_id=commit_id,
        body="AI review results:",
        event="COMMENT",
        comments=comments
    )

if __name__ == "__main__":
    main()

Стоит заметить: GitHub API не позволяет прикреплять комментарии к строкам, которые не были изменены в PR. Если LLM укажет строку вне diff, API вернёт ошибку. Просто фильтруйте замечания по наличию в диффе.

Шаг 4: Сравниваем стоимость — CodeRabbit vs наше решение

Посчитаем для команды из 10 разработчиков, которые делают 50 PR в месяц, каждый в среднем 20 файлов по 30 строк изменений. CodeRabbit Pro — $25/мес/чел = $3000/год.

Да, наше решение чуть медленнее — из-за сетевых задержек OpenRouter. Но если поставить локальную LLM через Ollama (как в Open Cowork), то скорость сравняется. А цена упадёт до стоимости электричества.

Нюансы, которые превратят вашу жизнь в ад

Не хочу, чтобы вы думали, что всё гладко. Вот грабли, на которые мы наступили.

• Токены контекста. Если diff большой (>2000 строк), DeepSeek V4 может не уложиться в лимит. Решение: разбивать на файлы и обрабатывать независимо. Или увеличить контекст через опцию max_context.
• Галлюцинации. Модель иногда «видит» проблемы, которых нет. Например, может рекомендовать заменить int на float в местах, где это сломает логику. Добавьте в промпт: «Only report real issues. If unsure, skip.».
• Дубликаты. Если два раза вызвать ревью на один и тот же коммит — получите два одинаковых комментария. Решение: проверять через API, есть ли уже комментарий от бота на этой строке.
• Безопасность API-ключа. Храните ключ OpenRouter в секретах GitHub, никогда не светите в логах. Используйте mask в действии.
• Лимиты GitHub API. Если у вас много замечаний (>30), API может вернуть ошибку. Лучше отправлять пачками по 10 через create_review с event: "COMMENT".

Если хотите полноценную замену CodeRabbit с дашбордом и историей — гляньте проект GitHub Copilot SDK, он позволяет создавать точно таких же агентов, но с готовыми шаблонами.

Что дальше: эволюция или смерть SaaS?

Через два-три года CodeRabbit либо станет бесплатным, либо умрёт. Open-source альтернативы уже сейчас дают 90% функционала за 10% цены. От нейрошизы до продакшена — тренд очевиден.

Совет, который вы не просили: не пытайтесь заменить человека. AI-ревью — это первый фильтр. Он отсекает глупые ошибки, но не может оценить архитектуру. Используйте наш пайплайн как стартовую площадку, а не как панацею. И перестаньте платить за то, что можно собрать самому.

Подписаться на канал