前端智能审查预算有限时先收紧输入接入 AI 代码审查后团队常先调 Prompt 或更换模型却忽略了输入本身的成本。锁文件、构建产物和无关上下文会占满请求静态规则也可能被重复交给模型判断。预算有限时应先收紧输入范围再评估模型和提示词的收益。1. 先看 Token 花在了哪里审查系统应记录每个文件、上下文片段和模型调用的 Token 用量。许多项目会发现费用主要来自无关内容而不是模型给出的建议本身。在前端项目里AI 审查工具最容易犯下面三个致命错误把巨型 Lock 文件与 Build 产物直接塞进 Context Window每次 Git Push 触发流水线pnpm-lock.yaml或dist变更被整段读取。模型光是解析这些没有人味的字符单次请求就吞掉上万 Token。全量源码透传缺乏局部 AST 级切割修改了 React 组件里的一个 Handler 逻辑审查系统却把上下游 800 行无关联的 JSX 节点全部拼进 Prompt。用 AI 去挑格式错误让大模型去检查变量是否未定义、缩进是两空格还是四空格。这种 ESLint 零点毫秒就能干完的活拿几美分一次的 LLM API 跑纯属烧钱。不要直接套用别人的节省比例。至少记录单次审查的 Token、端到端耗时、被开发者采纳的建议数并区分语言、文件规模和 PR 类型。基线清楚后才能判断切片是否值得维护。2. 确定性防护墙防爆预算与分级审查架构为了控制 AI 审查的成本和噪声可以在请求发往 LLM 前设置两层确定性检查。第一道是静态语法分析闸门直接在 Node.js 端用 Babel/TypeScript AST 过滤掉简单语法问题和锁文件第二道是动态 Token 预算配额控制闸门根据 Git Diff 的复杂度算比重超额则触发滑动窗口裁剪与分块并发。这套流程的核心逻辑是把简单的交给静态工具把中等复杂度的进行 Context 瘦身最后把精简后的核心 diff 送入 AI。3. TypeScript Token 控制与前置过滤示例下面的示例演示 AST 切片、Token 估算和超时降级。实际接入时还需补上鉴权、重试策略、审计日志和对模型返回 JSON 的校验。import { parse } from babel/parser; import traverse from babel/traverse; import { encode } from gpt-tokenizer; // 假设使用标准 Token 计算库 export interface CRTaskConfig { maxTokenBudget: number; timeoutMs: number; ignoreGlobs: string[]; } export interface FileDiffPayload { filePath: string; codeContent: string; patchDiff: string; } export interface InspectionResult { passed: boolean; bypassedLLM: boolean; suggestions: Array{ line: number; message: string; rule: string }; consumedTokens: number; } export class SmartCROchestrator { private config: CRTaskConfig; constructor(config: CRTaskConfig) { this.config config; } /** * 检查文件路径是否属于应该忽略的规则Lock文件、压缩产物等 */ private isIgnored(filePath: string): boolean { const defaultBlacklist [pnpm-lock.yaml, package-lock.json, yarn.lock, dist/, .min.js]; return defaultBlacklist.some(item filePath.includes(item)); } /** * 提取变更函数或组件上下文基于 AST 的局密切片 */ public extractASTContext(code: string, patchLines: number[]): string { try { const ast parse(code, { sourceType: module, plugins: [typescript, jsx], }); const contextualNodes: string[] []; traverse(ast, { FunctionDeclaration(path) { const { start, end } path.node; if (start end patchLines.some(l l path.node.loc?.start.line! l path.node.loc?.end.line!)) { contextualNodes.push(code.slice(start, end)); } }, ClassDeclaration(path) { const { start, end } path.node; if (start end patchLines.some(l l path.node.loc?.start.line! l path.node.loc?.end.line!)) { contextualNodes.push(code.slice(start, end)); } } }); return contextualNodes.join(\n\n// --- Context Split ---\n\n) || code.slice(0, 1500); } catch (e) { // AST 解析失败如非标准语法回退到安全的前 1500 字符切片 return code.slice(0, 1500); } } /** * 执行代码审查与预算阀门过滤 */ public async executePipeline(payload: FileDiffPayload): PromiseInspectionResult { // Step 1: 绝对路径与死忽略过滤 if (this.isIgnored(payload.filePath)) { return { passed: true, bypassedLLM: true, suggestions: [], consumedTokens: 0 }; } // Step 2: 提取变更行的上下文 const changedLineNumbers [10, 11, 12]; // 示例行号提取 const slicedContext this.extractASTContext(payload.codeContent, changedLineNumbers); // Step 3: Token 静态精准估算 const estimatedTokens encode(slicedContext payload.patchDiff).length; // Step 4: 预算爆表熔断降级 if (estimatedTokens this.config.maxTokenBudget) { console.warn([CR-Gate] Token 超出预算 (${estimatedTokens} ${this.config.maxTokenBudget}), 触发文本压缩机制); const compressedText slicedContext.slice(0, Math.floor(slicedContext.length * 0.5)); return this.invokeLLMWithTimeout(compressedText, payload.filePath); } return this.invokeLLMWithTimeout(slicedContext, payload.filePath); } /** * 带超时熔断控制的 LLM API 实际调用器 */ private async invokeLLMWithTimeout(context: string, filePath: string): PromiseInspectionResult { const controller new AbortController(); const timer setTimeout(() controller.abort(), this.config.timeoutMs); try { // 模拟调用 LLM API const response await fetch(https://api.your-llm-provider.com/v1/chat/completions, { method: POST, headers: { Content-Type: application/json }, signal: controller.signal, body: JSON.stringify({ model: gpt-4o-mini, // 优先选用高性价比小模型做代码校验 messages: [ { role: system, content: 你是一个严格的 TypeScript 性能审查专家只指出性能隐患和设计缺陷。 }, { role: user, content: 审查文件: ${filePath}\n\n代码上下文:\n${context} } ] }) }); clearTimeout(timer); const data await response.json(); return { passed: true, bypassedLLM: false, suggestions: JSON.parse(data.choices[0].message.content || []), consumedTokens: data.usage?.total_tokens || 0 }; } catch (err: any) { clearTimeout(timer); if (err.name AbortError) { console.error([CR-Gate] 请求超时${this.config.timeoutMs}ms降级通过审查记录异常轨迹。); } return { passed: true, bypassedLLM: true, suggestions: [], consumedTokens: 0 }; } } }4. 怎样验证这套策略可以先在非阻断模式下运行一到两个迭代周期同一批 PR 同时记录“全量上下文”和“过滤后上下文”的 Token 与耗时但只展示后一种结果。随后抽样复核建议是否遗漏关键问题再决定是否在 CI 中启用拦截。预算阈值应按仓库、模型、并发量和可接受等待时间设定。静态检查能覆盖的问题应直接返回给开发者LLM 更适合处理跨文件设计、边界条件和可读性等需要语义判断的问题。5. 结语AI 审查不是静态检查的替代品。先排除不该审的文件利用 ESLint 和 TypeScript 处理确定性问题再将与变更相关的上下文交给模型。这样既便于控制成本也更容易解释模型为何给出一条建议。