Qwen3.5-9B自动化：GitHub Actions触发模型推理+PR评论生成

Qwen3.5-9B自动化GitHub Actions触发模型推理PR评论生成1. 项目概述Qwen3.5-9B是一个拥有90亿参数的开源大语言模型具备强大的逻辑推理、代码生成和多轮对话能力。最新版本还支持多模态理解图文输入和长达128K tokens的上下文处理能力。这个项目展示了如何将Qwen3.5-9B模型集成到GitHub工作流中实现自动化模型推理和Pull Request评论生成功能。通过GitHub Actions我们可以让AI模型自动分析代码变更并提供智能反馈。2. 环境准备2.1 基础环境配置# 创建conda环境 conda create -n qwen3.5-9b python3.10 conda activate qwen3.5-9b # 安装核心依赖 pip install torch2.8.0 transformers5.0.0 gradio6.0 huggingface_hub1.3.02.2 模型下载与配置# 下载Qwen3.5-9B模型 git lfs install git clone https://huggingface.co/Qwen/Qwen3.5-9B /root/ai-models/Qwen/Qwen3.5-9B # 创建符号链接 ln -s /root/ai-models/Qwen/Qwen3.5-9B /root/ai-models/Qwen/Qwen3___5-9B3. GitHub Actions集成方案3.1 工作流配置文件在项目根目录创建.github/workflows/qwen-review.yml文件name: Qwen PR Review on: pull_request: types: [opened, synchronize] jobs: qwen-review: runs-on: ubuntu-latest steps: - uses: actions/checkoutv4 - name: Set up Python uses: actions/setup-pythonv4 with: python-version: 3.10 - name: Install dependencies run: | pip install torch2.8.0 transformers5.0.0 - name: Run Qwen3.5-9B review env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} run: | python scripts/qwen_review.py \ --pr_number ${{ github.event.number }} \ --repo ${{ github.repository }} \ --diff_url ${{ github.event.pull_request.diff_url }}3.2 模型推理脚本创建scripts/qwen_review.py文件from transformers import AutoModelForCausalLM, AutoTokenizer import os import requests import argparse def load_model(): model_path /root/ai-models/Qwen/Qwen3.5-9B tokenizer AutoTokenizer.from_pretrained(model_path, trust_remote_codeTrue) model AutoModelForCausalLM.from_pretrained( model_path, device_mapauto, trust_remote_codeTrue ).eval() return model, tokenizer def generate_review(diff_text): prompt f作为代码审查助手请分析以下代码变更并给出专业建议 {diff_text} 请从以下方面提供反馈 1. 代码质量格式、可读性、命名规范 2. 潜在问题性能、安全、边界条件 3. 改进建议重构、优化、最佳实践 model, tokenizer load_model() response, _ model.chat(tokenizer, prompt, historyNone) return response def post_github_comment(pr_number, repo, content): url fhttps://api.github.com/repos/{repo}/issues/{pr_number}/comments headers { Authorization: ftoken {os.getenv(GITHUB_TOKEN)}, Accept: application/vnd.github.v3json } data {body: content} requests.post(url, headersheaders, jsondata) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--pr_number, typeint, requiredTrue) parser.add_argument(--repo, typestr, requiredTrue) parser.add_argument(--diff_url, typestr, requiredTrue) args parser.parse_args() diff_response requests.get(args.diff_url) diff_text diff_response.text review generate_review(diff_text) post_github_comment(args.pr_number, args.repo, review)4. 系统架构设计4.1 组件交互流程GitHub PR事件 → GitHub Actions → 触发工作流 → 下载代码变更 → 调用Qwen3.5-9B模型 → 生成审查意见 → 提交PR评论4.2 关键参数配置参数建议值说明max_tokens1024生成评论的最大长度temperature0.7控制生成结果的随机性top_p0.9核采样参数影响生成多样性timeout300s模型推理超时时间5. 性能优化建议5.1 模型加载加速# 在qwen_review.py中添加以下配置 model AutoModelForCausalLM.from_pretrained( model_path, device_mapauto, trust_remote_codeTrue, torch_dtypetorch.float16, # 使用半精度浮点数 low_cpu_mem_usageTrue # 减少CPU内存占用 ).eval()5.2 缓存机制实现# 添加模型缓存逻辑 MODEL_CACHE {} def load_model(): if qwen in MODEL_CACHE: return MODEL_CACHE[qwen] # 原始加载逻辑... MODEL_CACHE[qwen] (model, tokenizer) return model, tokenizer6. 实际应用案例6.1 Python代码审查示例输入变更def calculate_average(numbers): sum 0 for n in numbers: sum n return sum / len(numbers)AI生成评论1. 代码质量 - 函数命名清晰符合PEP8规范 - 缺少输入验证如果传入空列表会引发ZeroDivisionError 2. 改进建议 - 添加输入验证if not numbers: return 0 - 考虑使用内置sum()函数提高可读性 - 可以添加类型注解增强代码可维护性6.2 JavaScript代码审查示例输入变更function getUserData(id) { return fetch(/api/users/${id}) .then(res res.json()) }AI生成评论1. 潜在问题 - 缺少错误处理网络请求失败会导致未捕获的Promise rejection - 没有处理HTTP错误状态码(如404, 500) 2. 改进建议 - 添加错误处理.catch(err console.error(err)) - 检查响应状态if(!res.ok) throw new Error(...) - 考虑使用async/await语法提高可读性7. 总结与展望通过将Qwen3.5-9B大模型与GitHub Actions集成我们实现了一个智能化的代码审查系统。这个方案具有以下优势自动化程度高完全集成到开发工作流中无需人工触发反馈质量好90亿参数模型能提供专业级的代码建议扩展性强可以轻松适配其他代码审查场景未来可以考虑以下改进方向支持更多编程语言的专项优化集成静态分析工具提供更全面的检查添加学习机制根据团队编码规范调整建议获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。