对安全工程师和开发团队来说，代码审计最怕两件事：漏审和误报。漏审意味着漏洞带病上线，误报意味着审计报告没人信。OpenCodeReview 的解题思路，是用"确定性规则引擎 + LLM Agent"的混合架构，把这两件事同时压住。

1️⃣ 内置安全规则：四大高频漏洞类型开箱即审

工具自带的多语言规则集，开箱即覆盖安全审计中最常见、最危险的几类问题：

而且规则匹配是按文件特征精细化触发的：Java 文件重点审 NPE 和线程安全，XML Mapper 文件重点审 SQL 注入，前端文件重点审 XSS——模型注意力高度聚焦，从源头上减少噪声。

2️⃣ 深度上下文审计：不是正则匹配，是"看懂"代码

传统 SAST 工具靠正则和 AST 规则，经常被编码绕过、拼接绕过耍得团团转。OpenCodeReview 的 Agent 可以：

• 读取完整文件内容，结合上下文判断这处"拼接"到底有没有经过过滤；

• 搜索整个代码库，追溯数据来源（用户输入从哪来、流到哪去）；

• 跨文件关联分析，比如 Controller 层的参数校验缺失，会在 Service 层埋雷。

官方实测案例里，一段看似无害的 Go map 读写代码，被内置线程安全规则直接标为 Critical 级竞态条件，并给出了带 sync.RWMutex 的完整修复方案。

3️⃣ ocr scan：没有 Git 历史的老代码也能审

这是安全场景下最实用的能力之一。很多时候我们要审计的是：

• 接手的不熟悉的遗留系统；

• 外包交付的、没有提交历史的代码；

• 没有 diff 可比的整个目录。

ocr scan 直接审查整个文件而非 diff，无需 Git 历史，等于把 AI 变成了一位随叫随到的白盒审计助手。 配合 --path指定目录，可以快速对一个模块做定向安全排查。

4️⃣ 自定义规则：把你们团队的"安全红线"写进引擎

内置规则之外，规则系统支持四层优先级链注入自定义安全规则（CLI 参数 > 项目配置 > 全局配置 > 内置规则），团队可以在项目根目录的 .opencodereview/rule.json 中定义自己的审计标准，例如：

{  "rules": [    {      "path": "**/*mapper*.xml",      "rule": "检查 SQL 是否存在注入风险、参数错误、标签未闭合"    },    {      "path": "force-api/**/*.java",      "rule": "所有新增方法必须对必填参数做 null 校验"    }  ]}

OWASP Top 10 里的反序列化、SSRF、路径穿越、硬编码密钥等问题，都可以通过定制规则纳入日常审计——把安全规范从"Wiki 里的文档"变成"每次提交自动执行的检查"。

5️⃣ 安全场景下的两个关键设计

• 委托模式：涉密项目不能把代码发给外部 API？让私有部署的 LLM 或宿主 AI Agent 执行审查，OCR 只负责文件筛选和规则解析，代码不出内网；

• CI/CD 卡点：接入 GitHub Actions / GitLab CI 后，每个 PR 自动审查，安全漏洞在合并前就被拦下，审查意见直接回贴为行级评论。

⚠️ 客观说一句：它的 Recall 低于通用 Agent，Benchmark 作者也明确说明不要指望它替代专业安全审计工具。它的定位是"每次提交都跑得起的高精度日常防线"，让高危漏洞在写代码的阶段就暴露，而不是等季度审计才被发现。

委托模式（Delegation Mode）：不用配 LLM，把审查执行交给宿主 AI Agent，省钱省心；MCP 扩展能力：审查 Agent 可以调用外部工具；会话查看器与断点恢复：长审查任务不再怕中断；多语言规则集持续增强：内置 NPE、线程安全、XSS、SQL 注入等 50+ 文件类型的专项审查规则；

0x04 使用介绍

📦安装与使用指南

npm install -g @alibaba-group/open-code-review

安装后 ocr 命令即可全局使用。也支持安装脚本、GitHub Release 二进制、Homebrew 等方式。

配置 LLM

ocr config provider   # 选择内置供应商或添加自定义供应商ocr config model      # 为当前供应商选择模型

交互式界面会引导你完成 API Key 输入，并自动测试连通性。

开始审查

cd your-project# 工作区模式 —— 审查所有变更ocr review# 分支范围审查ocr review --from main --to feature-branch# 单个提交ocr review --commit abc123# 全量文件扫描ocr scan --path internal/agent# 输出 JSON 结果（CI / AI Agent 推荐）ocr review --format json --output result.json

就这么简单，一次行级精度的 AI 代码审查就完成了。

写在最后

OpenCodeReview 给了一个很好的示范：Agent 时代，最好的架构不是"全部交给模型"，而是把确定性工程与智能体严格分工。文件筛选、分组、定位、反思交给代码；动态决策交给 Agent。