基于 Cursor Agent 的流水线 AI CR 实践｜得物技术

一、背景在实际迭代开发中不同需求的代码规模差异很大有些需求涉及上千行代码有些则只有一两行。且对于前端的代码验收主要侧重在界面功能通过功能验收没法确保每一行代码都测试到的以及功能的代码逻辑是否合理是否健壮、是否规范等问题都需要通过人工代码 CR 来进一步兜底验收代码的质量尽量降低业务线上出错的可能。但当面对上千行的代码变更时人工 CR 也是心有余而力不足。传统的代码审查依赖人工面对大规模代码变更时效率有限而 AI 代码审查能够实现自动化、标准化的质量检查有效补充人工审查的不足。二、前端研发 CR 现状与可优化点CR 现状目前前端研发同学主要使用的代码质量保障工具有前端 Apex 插件智能体、Uraya 质量分检测。其中 Apex 插件智能体是通过前端研发自助点击或 git hook 自动触发 CR 智能体执行智能体内定制了 CR 规则以及与 MCP 的结合利用 Cursor IDE 的 Agent 能力进行本地 AI CR 找出代码问题、本地解决问题。Uraya 质量分检测是在创建 MR 后通过流水线自动触发Uraya 质量分检测代码变更的质量分浮动产出具体问题的记录引导研发优化代码。可优化点本地触发 CR 需要研发同学主动点击触发或者通过 Apex git hook 执行 CR 智能体当开发的需求多、分支多、提交次数多的时候时长容易漏触发、忘记点。对于 MR 评审人员如果希望通过 Cursor CR 时需要在本地通过调用 CR 智能体再执行一遍获取 CR 结果在目前 Cursor 按量计费的背景下重复执行 CR 智能体的成本需要及时关注。当前流水线 Diff 大模型 API 的 AI CR 方式误报率较高研发使用意愿较低。三、AI CR 方案对比分析基于以上现状分析我们对不同 AI CR 方案进行了深入对比。Cursor Agent CR 主要优势流水线集成 CR 与本地 AI CR 差异四、技术方案设计结合目前现状与可优化点我们期望能像 Uraya 质量分检测一样在 MR 过程中通过流水线自动触发中途每次代码提交也能自动触发对于流水线中的 CR 不满意时可以结合 Apex CR 智能体进行本地 CR 调整代码。为此我们考虑结合 Cursor Agent CLI 在流水线中增加一个 AI CR 的任务自动触发 Cursor Agent 代码 CR并记录 CR 结论及时展示给研发或者代码评审的同学辅助代码质量优化。整体链路设计如下当研发创建 MR 后流水线配置了 AI CR 检测流水线后将会自动触发 Cursor Agent CR 任务。接收到检测任务后将会前置将该仓库准备好并将 MR 的信息以及制定的 CR 规则一并交给 Cursor Agent CLI 执行待执行完成会得到一份 CR 报告。接收到检测任务完成后目前会通过 MR 评论的方式添加到对应的 MR 中引导用户查看。对于开发者视角打开审查报告可以根据审查出的问题进行修改。对于 CR 人员视角打开审查报告可以根据审查出的问题一键添加到评论引导开发者修改。五、MR 流水线接入与 AI CR 报告自动触发以下图 MR 为例在 MR 流水线中添加了仓库流水线 AI 检测的检测任务当创建 MR 时会自动触发执行一次在 MR 未合入的过程中每次代码变更也会自动触发。添加审查报告评论检测完成后会自动添加一条 MR 评论通知研发已完成检测可以点击查看 CR 报告。评论概览中有审查摘要显示聚类问题的数量还有审查总结即对所有反馈的总结概览问题。AI CR 报告以下为实际 MR 生成的 CR 报告可以看到报告主要包括MR 的基础信息、问题的分类 Tab、问题的具体描述、问题的操作。具体问题列表首先报告列表会对问题进行聚类分为严重问题、警告、建议三类切换对应 Tab 可以看到问题列表。具体的问题信息主要有类型、问题代码、修复后代码、描述、文件路径、行号、操作等列。添加到评论点击操作列的添加到评论将会一键将相关问题的信息生成格式化描述添加到 MR 的评论中提醒开发者关注问题、解决问题。AI 智能解决点击操作列的 Cursor 解决将会一键将相关问题的信息生成解决问题 Prompt一键打开本地 Cursor 创建 Agent 对话去解决问题。打开链接后Cursor 会先接收 Prompt 你可以简单浏览下点击 Create Chat 即可一键创建 Chat回车执行修复。Cursor Prompt 预览Cursor Prompt 预览 确认填入 Chat 执行复制 Prompt点击复制 Prompt支持一键复制修复问题 Prompt可以放到期望的 IDE 里使用。如下图就是复制的 Prompt 示例。六、推荐研发流程实践尽早创建 MR当需求分支第一次提交后就可以创建到 release 或 test 目标分支的 MR 了后续每次提交代码都将会自动触发检测产出 AI CR 报告。研发自主查看与解决研发收到 AI CR 报告的通知后可以及时打开 CR 报告查看确认反馈的疑问点是否需要调整如果需要调整可以通过 Cursor 一键解决将问题解决前置到提测以前这样所有的改动可以尽可能的被测试同学验证到。人工 CR发布前最后的人工 CR 可以通过前置的 AI CR 发现与问题前置解决大幅提升靠最后人工 CR 的反馈、修改等环节效率。特别是当业务需求代码量较大时人工 CR 浏览的效率和质量也是无法保证的。七、内置提示词工程AI CR 其实就像给 AI 一个详细的检查清单。这个清单分两部分一部分是基本规则比如你要扮演什么样的角色、“按什么流程检查”另一部分是具体的技术要点比如注意空指针问题、检查React用法是否正确等。有了这个清单AI 就能像有经验的程序员一样系统地检查代码发现各种潜在问题让代码质量得到保障。具体这个规则体系的结构如下.cursor/rules ├── 00-role-and-constraints.mdc # 角色与约束 - 定义AI代码审查助手的角色和基本约束条件 ├── 01-workflow-steps.mdc # 工作流程步骤 - 描述代码审查的工作流程和步骤 ├── 02-detection-standards.mdc # 检测标准 - 定义代码问题的检测标准和准则 ├── 03-output-format.mdc # 输出格式 - 规定代码审查结果的输出格式和规范 ├── 04-best-practices.mdc # 最佳实践 - 提供代码审查中的最佳实践建议 ├── common # 通用规则目录 - 包含各种常见的代码问题检测规则 │ ├── 01-null-pointer-defense.md # 空指针防御 - 防止空指针异常的最佳实践 │ ├── 02-react-hooks-usage.md # React Hooks 使用 - React Hooks 的正确使用方式 │ ├── 03-data-merge-state.md # 数据合并状态 - 处理数据合并时的状态管理问题 │ ├── 04-async-programming.md # 异步编程 - 异步编程模式和常见陷阱 │ ├── 05-memory-leak-performance.md # 内存泄漏性能 - 检测和防止内存泄漏问题 │ ├── 06-security-coding.md # 安全编码 - 安全编程实践和漏洞防范 │ ├── 07-compatibility.md # 兼容性 - 确保代码兼容性的检查点 │ ├── 08-git-conflict-detection.md # Git 冲突检测 - 检测并解决 Git 合并冲突 │ ├── 09-code-quality.md # 代码质量 - 代码质量评估和改进规则 │ ├── 10-resource-handling.md # 资源处理 - 正确处理系统资源的规则 │ ├── 11-url-params.md # URL 参数 - URL 参数处理的安全和有效性检查 │ ├── 12-business-logic-consistency.md # 业务逻辑一致性 - 确保业务逻辑一致性的规则 │ └── 13-monorepo-dependency.md # 大仓依赖 - Monorepo 架构中的依赖管理规则 └── README.md # 说明文档 - 规则系统的介绍和使用说明八、模型选择在 AI CR 环节模型的选择需要考虑模型对于代码理解的复杂性、上下文长度需求以及推理准确性、模型的速度、模型的使用成本等考量。在 Cursor 的模型列表中我们优先使用 Compose 1.5当额度不足时我们也会降级使用 Auto 模型。以下为 Cursor auto 模型与 Composer 1.5 模型对比可以看出两个模型都找出了 4 个问题但在时间上Composer 1.5 进行需 44 秒即可完成而 auto 模型需要 91 秒。九、总结与规划通过多个迭代实践与数据统计Cursor Agent CR 挖掘的有效问题数可以达到 50% 左右研发使用的意愿也相比原来有不少提升。当前我们也在将 AI CR 报告融合到 Cursor IDE 插件中进一步融合到研发流程里。随着 AI 生成代码在开发流程中越来越普遍AI CR 的重要性将进一步凸显。相比传统的人工审查AI 审查能够自动发现 AI 生成代码中可能存在的逻辑错误、安全性问题和规范性缺陷提前在开发过程中消除隐患。同时AI CR 还能确保 AI 生成的代码符合团队的技术规范和最佳实践保持代码风格的一致性。为 AI 时代的开发流程提供了可靠的质保机制让开发流程更加顺畅是现代软件开发的重要保障。往期回顾1.从IDE到Terminal适合后端宝宝体质的Claude Code工作流得物技术2.AI编程能力边界探索基于 Claude Code 的 Spec Coding 项目实战得物技术3.搜索 C 引擎回归能力建设从自测到工程化准出得物技术4.得物社区搜推公式融合调参框架-加乘树3.0实战5.深入剖析Spark UI界面参数与界面详解|得物技术文 /大圣关注得物技术每周更新技术干货要是觉得文章对你有帮助的话欢迎评论转发点赞未经得物技术许可严禁转载否则依法追究法律责任。