0Pricing
AI Agents · Lektion

Automatisierte Kommentare zu PR-Reviews

PR-Diffs lesen und Inline-Review-Kommentare über die API veröffentlichen.

Automatisierte Kommentare zu PR-Reviews ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was ist ein automatisiertes PR-Review?

Ein automatisierter PR-Review-Agent liest geänderte Dateien, analysiert Diffs und veröffentlicht gezielte Review-Kommentare — wie ein menschlicher Reviewer, aber schneller und konsistenter. Anwendungsfälle sind Sicherheitsscans, die Durchsetzung von Stilregeln, das Erkennen häufiger Fehler, die Überprüfung der Testabdeckung oder eine Zusammenfassung der Änderungen eines PRs.

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')

# Get a specific pull request by number
pr = repo.get_pull(42)
print(f'PR #{pr.number}: {pr.title}')
print(f'Author: {pr.user.login}')
print(f'Base branch: {pr.base.ref} <- Head: {pr.head.ref}')
print(f'State: {pr.state}')
print(f'Changed files: {pr.changed_files}')
print(f'Additions: +{pr.additions}')
print(f'Deletions: -{pr.deletions}')

Offene Pull Requests auflisten

Verwenden Sie repo.get_pulls(), um PRs aufzulisten. Filtern Sie nach Status (open, closed), Zielbranch oder Sortierreihenfolge. Bei einem Review-Bot verarbeiten Sie normalerweise offene PRs, die noch nicht geprüft wurden.

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')

# All open PRs targeting main
open_prs = repo.get_pulls(
    state='open',
    base='main',
    sort='created',
    direction='desc'
)

for pr in open_prs:
    # Check if agent has already reviewed it
    reviews = list(pr.get_reviews())
    agent_reviewed = any(
        r.user.login == 'my-agent-bot[bot]'
        for r in reviews
    )
    if not agent_reviewed:
        print(f'Needs review: PR #{pr.number} - {pr.title}')

Geänderte Dateien abrufen

pr.get_files() gibt eine Liste von File-Objekten zurück — jedes steht für eine im PR geänderte Datei. Wichtige Eigenschaften sind: filename, status (hinzugefügt/geändert/entfernt), additions, deletions und patch (der Text des Unified Diffs).

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')
pr = repo.get_pull(42)

changed_files = list(pr.get_files())
print(f'Changed files: {len(changed_files)}')

for file in changed_files:
    print(f'\n{file.status.upper()}: {file.filename}')
    print(f'  +{file.additions} -{file.deletions}')

    # The patch is the unified diff
    if file.patch:
        print(f'  Patch preview: {file.patch[:200]}')

# Filter to only Python files
python_files = [
    f for f in changed_files
    if f.filename.endswith('.py') and f.status != 'removed'
]

Datei-Patch (Diff) lesen

file.patch ist eine Unified-Diff-Zeichenkette. Zeilen, die mit + beginnen, wurden hinzugefügt, Zeilen mit - wurden entfernt. Der @@-Header zeigt, bei welchen Zeilennummern der Hunk beginnt. Analysieren Sie ihn, um genau zu ermitteln, wo Probleme im neuen Code bestehen.

def parse_patch_hunks(patch):
    if not patch:
        return []

    hunks = []
    current_hunk = None
    new_line_num = 0

    for line in patch.split('\n'):
        if line.startswith('@@'):
            # Parse: @@ -old_start,old_count +new_start,new_count @@
            import re
            match = re.search(r'\+([0-9]+)', line)
            if match:
                new_line_num = int(match.group(1))
            current_hunk = {'header': line, 'lines': [], 'start_line': new_line_num}
            hunks.append(current_hunk)
        elif current_hunk is not None:
            if line.startswith('+'):
                current_hunk['lines'].append({'type': 'add', 'content': line[1:], 'line': new_line_num})
                new_line_num += 1
            elif line.startswith('-'):
                current_hunk['lines'].append({'type': 'remove', 'content': line[1:], 'line': None})
            else:
                new_line_num += 1

    return hunks

# --- demo ---
patch = (
    '@@ -10,3 +10,4 @@\n'
    ' def add(a, b):\n'
    '-    return a - b\n'
    '+    return a + b\n'
    '+    # fixed subtraction bug\n'
)
for hunk in parse_patch_hunks(patch):
    print(hunk['header'])
    for line in hunk['lines']:
        print(' ', line)

PR-Commits abrufen

pr.get_commits() gibt die Commits des PRs zurück. Jeder Commit enthält eine Nachricht, einen Autor und eine Liste der geänderten Dateien. Die Analyse von Commit-Nachrichten hilft dem Review-Bot, die Änderungen des PRs zusammenzufassen und auf eine gute Commit-Hygiene zu achten.

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')
pr = repo.get_pull(42)

commits = list(pr.get_commits())
print(f'Commits in PR: {len(commits)}')

for commit in commits:
    print(f'\nCommit: {commit.sha[:8]}')
    print(f'Author: {commit.commit.author.name}')
    print(f'Message: {commit.commit.message[:80]}')
    print(f'Changes: +{commit.stats.additions} -{commit.stats.deletions}')

# Check commit message quality
poor_messages = [
    c for c in commits
    if len(c.commit.message.split()[0] if c.commit.message else '') < 3
    or c.commit.message.lower().startswith(('wip', 'fix', 'test'))
]
if poor_messages:
    print(f'{len(poor_messages)} commits have poor message quality')

Ein PR-Review veröffentlichen

Verwenden Sie pr.create_review(), um ein formales Review einzureichen. Der Parameter event steuert den Review-Typ: 'APPROVE', 'REQUEST_CHANGES' oder 'COMMENT'. Ein Review kann einen allgemeinen Text und eine Liste von Inline-Kommentaren zu bestimmten Zeilen enthalten.

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')
pr = repo.get_pull(42)

# Submit a review with a general comment (no inline comments)
pr.create_review(
    body=(
        '**Automated Code Review**\n\n'
        'I analyzed this PR and found the following:\n'
        '- No security issues detected\n'
        '- Style conforms to project guidelines\n'
        '- Test coverage looks adequate\n\n'
        '_This review was generated automatically._'
    ),
    event='COMMENT'  # 'APPROVE', 'REQUEST_CHANGES', or 'COMMENT'
)

Inline-Review-Kommentare veröffentlichen

Inline-Kommentare erscheinen direkt an bestimmten Zeilen im Diff. Jeder Kommentar gibt path (Dateipfad), line (Zeilennummer in der neuen Datei) und body an. Übergeben Sie eine Liste von Kommentaren an pr.create_review(comments=[...]).

from github import Github
import os

g = Github(token=os.environ['GITHUB_TOKEN'])
repo = g.get_repo('myorg/myrepo')
pr = repo.get_pull(42)

# Build inline comments from analysis results
inline_comments = [
    {
        'path': 'src/auth.py',
        'line': 47,
        'body': (
            ':warning: **Security Issue:** Using `md5` for password hashing.\n'
            'Use `bcrypt` or `argon2` instead.\n'
            'Example: `import bcrypt; bcrypt.hashpw(password.encode(), bcrypt.gensalt())`'
        )
    },
    {
        'path': 'src/utils.py',
        'line': 23,
        'body': (
            ':bulb: Consider using `pathlib.Path` instead of `os.path.join` '
            'for better cross-platform compatibility.'
        )
    }
]

pr.create_review(
    body='Security and style review complete. See inline comments.',
    event='REQUEST_CHANGES',
    comments=inline_comments
)
print(f'Review submitted with {len(inline_comments)} inline comments')

LLM-gestützte Codeanalyse

Übergeben Sie den Datei-Diff mit einem Prompt für ein Sicherheits- oder Qualitätsreview an ein LLM. Fordern Sie eine strukturierte JSON-Antwort an, die Probleme mit Dateipfad, Zeilennummer, Schweregrad und Beschreibung auflistet. Verwenden Sie diese Daten, um die Liste der Inline-Kommentare zu erstellen.

import anthropic
import json
import os

client = anthropic.Anthropic(api_key=os.environ['ANTHROPIC_API_KEY'])

def analyze_file_with_llm(filename, patch):
    prompt = (
        f'Review this Python code diff for issues.\n'
        f'File: {filename}\n\n'
        f'Return JSON array: [{{"line": N, "severity": "error|warning|info", '
        f'"message": "..."}}]\n'
        f'Focus on: security vulnerabilities, bugs, and anti-patterns.\n'
        f'Diff:\n{patch[:3000]}'
    )

    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=1000,
        messages=[{'role': 'user', 'content': prompt}]
    )

    try:
        issues = json.loads(response.content[0].text)
        return [
            {'path': filename, 'line': i.get('line', 1),
             'body': f'[{i.get("severity", "info").upper()}] {i.get("message", "")}'}
            for i in issues if isinstance(i, dict)
        ]
    except json.JSONDecodeError:
        return []

Ablauf eines vollständigen PR-Review-Agents

Verbinden Sie alle Bausteine zu einem vollständigen PR-Review-Ablauf: Rufen Sie Dateien ab, filtern Sie die prüfbaren Dateien, analysieren Sie jede mit dem LLM, sammeln Sie Kommentare und reichen Sie das Review mit einem einzigen API-Aufruf ein. Beschränken Sie sich auf die ersten 10 geänderten Dateien, um die LLM-Kosten zu kontrollieren.

def run_pr_review(g, repo_name, pr_number):
    repo = g.get_repo(repo_name)
    pr = repo.get_pull(pr_number)

    print(f'Reviewing PR #{pr_number}: {pr.title}')

    # Get changed files (limit to 10)
    files = [
        f for f in list(pr.get_files())[:10]
        if f.filename.endswith(('.py', '.js', '.ts'))
        and f.patch
    ]

    all_comments = []
    for file in files:
        print(f'  Analyzing: {file.filename}')
        comments = analyze_file_with_llm(file.filename, file.patch)
        all_comments.extend(comments)

    # Determine review event based on findings
    critical = [c for c in all_comments if '[ERROR]' in c['body']]
    event = 'REQUEST_CHANGES' if critical else 'COMMENT'

    summary = (
        f'Analyzed {len(files)} files. '
        f'Found {len(all_comments)} issues '
        f'({len(critical)} critical).'
    )

    pr.create_review(body=summary, event=event, comments=all_comments[:25])
    print(f'Review submitted: {event} with {len(all_comments)} comments')

Vorhandene Agent-Reviews prüfen

Prüfen Sie vor der Veröffentlichung eines Reviews, ob Ihr Agent-Bot diesen PR im aktuellen Zustand bereits geprüft hat. Vermeiden Sie doppelte Reviews, indem Sie die Liste der vorhandenen Reviews nach dem Benutzernamen Ihres Bots durchsuchen.

def should_review_pr(pr, bot_username):
    reviews = list(pr.get_reviews())

    # Check if bot already reviewed this PR
    bot_reviews = [
        r for r in reviews
        if r.user and r.user.login == bot_username
    ]

    if not bot_reviews:
        return True  # No previous review, proceed

    # Check if new commits were pushed since last review
    last_review_time = max(r.submitted_at for r in bot_reviews)
    commits = list(pr.get_commits())
    latest_commit_time = commits[-1].commit.author.date if commits else None

    if latest_commit_time and latest_commit_time > last_review_time:
        print(f'New commits since last review, re-reviewing...')
        return True

    print(f'PR #{pr.number} already reviewed by {bot_username}')
    return False

# --- demo: minimal stand-ins for PyGithub-style PR/review/commit objects ---
import datetime
from types import SimpleNamespace

class _FakeCommit:
    def __init__(self, date):
        self.commit = SimpleNamespace(author=SimpleNamespace(date=date))

class _FakeReview:
    def __init__(self, login, submitted_at):
        self.user = SimpleNamespace(login=login)
        self.submitted_at = submitted_at

class _FakePR:
    def __init__(self, number, reviews, commits):
        self.number = number
        self._reviews = reviews
        self._commits = commits
    def get_reviews(self):
        return self._reviews
    def get_commits(self):
        return self._commits

pr_never_reviewed = _FakePR(101, [], [_FakeCommit(datetime.datetime(2026, 8, 1))])
print('PR #101 needs review:', should_review_pr(pr_never_reviewed, 'coddy-bot'))

review_time = datetime.datetime(2026, 8, 1, 10, 0)
pr_up_to_date = _FakePR(102, [_FakeReview('coddy-bot', review_time)],
                        [_FakeCommit(review_time - datetime.timedelta(hours=1))])
print('PR #102 needs review:', should_review_pr(pr_up_to_date, 'coddy-bot'))

Muster für den Sicherheits-Scan bei PR-Reviews

Ein gängiges automatisiertes Review-Muster ist die Suche nach Sicherheits-Anti-Patterns in hinzugefügten Zeilen: fest codierten Geheimnissen, der Verwendung veralteter Funktionen, der Verkettung von SQL-Strings oder eval()-Aufrufen. Prüfen Sie jede hinzugefügte Zeile anhand einer Reihe von Mustern und kennzeichnen Sie Treffer als Inline-Kommentare.

import re

SECURITY_PATTERNS = [
    (r'eval\s*\(', 'Dangerous eval() call — code injection risk'),
    (r'os\.system\s*\(', 'os.system() is unsafe; use subprocess with a list'),
    (r'pickle\.loads?\s*\(', 'pickle.load is unsafe with untrusted data'),
    (r'execute\(.*%\s*', 'Possible SQL injection — use parameterized queries'),
    (r'md5\s*\(|hashlib\.md5', 'MD5 is cryptographically broken for passwords; use bcrypt'),
]

def scan_patch_for_security(filename, patch):
    if not patch:
        return []
    comments = []
    new_line = 0
    for line in patch.split('\n'):
        if line.startswith('@@'):
            import re as _re
            m = _re.search(r'\+([0-9]+)', line)
            if m:
                new_line = int(m.group(1))
        elif line.startswith('+') and not line.startswith('+++'):
            content = line[1:]
            for pattern, message in SECURITY_PATTERNS:
                if re.search(pattern, content):
                    comments.append({'path': filename, 'line': new_line,
                                     'body': f':rotating_light: **Security:** {message}'})
            new_line += 1
        elif not line.startswith('-'):
            new_line += 1
    return comments

# --- demo ---
patch = (
    '@@ -1,2 +1,3 @@\n'
    ' def run(cmd):\n'
    '+    os.system(cmd)\n'
    '+    hashlib.md5(cmd.encode())\n'
)
for c in scan_patch_for_security('run.py', patch):
    print(c)

Kurzer Check: Review-Ereignisse

Testen Sie Ihr Verständnis der Optionen für PR-Reviews.

Zusammenfassung: Automatisiertes PR-Review

Ihr Agent kann Pull Requests nun programmgesteuert prüfen:

  • repo.get_pull(number) — ruft ein PR-Objekt mit Metadaten ab
  • pr.get_files() — listet geänderte Dateien mit filename, patch und additions auf
  • pr.get_commits() — untersucht Commit-Nachrichten und Statistiken
  • pr.create_review(body, event, comments) — übermittelt ein Review mit optionalen Inline-Kommentaren
  • Format eines Inline-Kommentars: {'path': filename, 'line': N, 'body': markdown}
  • Verwenden Sie 'COMMENT' für Hinweise und 'REQUEST_CHANGES' für blockierende Probleme
  • Prüfen Sie vorhandene Reviews vor einem erneuten Review, um Duplikate zu vermeiden
  • Beschränken Sie die Dateianalyse auf 10 Dateien und 25 Inline-Kommentare, damit die API-Limits eingehalten werden

Häufig gestellte Fragen

Ist die Lektion „Automatisierte Kommentare zu PR-Reviews“ kostenlos?

Ja — der vollständige Text von „Automatisierte Kommentare zu PR-Reviews“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Automatisierte Kommentare zu PR-Reviews“?

PR-Diffs lesen und Inline-Review-Kommentare über die API veröffentlichen. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um AI Agents zu starten?

Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.

Wie lange dauert die Lektion „Automatisierte Kommentare zu PR-Reviews“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?

Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. Überblick über die GitHub REST API
  2. Issues auflisten und verwalten
  3. Automatisierte Kommentare zu PR-Reviews
  4. Commit-Historie und Diff-Analyse
← Zurück zu AI Agents