Cedars Digital · 2024-05 → Present

AI Code Review Platform

Profile-driven · 跨 32 服務的 GitLab MR 自動審查（Gemini 2.5 Pro，架構支援切換 provider）

32
註冊服務數
82%
工程師讀完每則評論
73%
因 AI 評論主動改 code

Problem

團隊擴張後 code review 容量成為瓶頸。Senior 工程師每天花在重複型 review（命名、測試覆蓋、config 一致性）的時間排擠了架構討論。

Architecture

flowchart LR
  MR[GitLab MR trigger] --> Loader["Profile Loader<br/>registry.yaml → system"]
  Loader --> Standards["_shared + SaaS1/SaaS2<br/>review standards"]
  Standards --> Composer[Prompt Composer]
  Composer --> AI["Gemini 2.5 Pro<br/>(可切換 provider)"]
  AI --> Reflect["Self-reflection 驗證<br/>(可選)"]
  Reflect --> Comment[MR 評論發佈]

My Role

從 v1.0 開始設計到 v2.0 擴張：profile module、self-reflection 機制、跨 FE/BE microservices 整合。

Impact

Lessons — 架構模式的 9 年復用

2015 年在 iPanSec 的 A4P：Python subprocess 跑 MobSF + 爬取報表 → 結構化輸出。 2024 年 AI Code Review：把 MobSF 換成 Gemini Cloud API，其餘骨架幾乎不變。

工程師的長期價值，往往不在會用什麼新框架，而是知道哪個老問題現在有更好的解法。