使用 Ollama 在本地运行 LLM 进行代码审查

代码审查是软件开发中的常规环节，但人工审查效率低、主观性强。云端 AI 审查工具又存在隐私顾虑。

Ollama 是一个开源工具，能让用户在本地机器上跑大语言模型，不用联网，不用交 API 费用，代码也不会离开你的电脑。

为什么需要本地 LLM 代码审查

把代码发给云端 API 有几个麻烦：

隐私是最大的问题。代码里可能包含密钥、数据库配置、业务逻辑。

成本也是现实考虑。频繁调用云端 API 要花钱。

网络依赖。没有稳定的网，审查就用不了。

Ollama 正好针对这些痛点。它可以运行 Codellama、Mistral 等开源模型，完全离线，代码始终留在本地。

安装 Ollama

Ollama 支持 macOS、Linux 和 Windows。

macOS 用 Homebrew：brew install ollama

Linux 用官方脚本：curl -fsSL https://ollama.com/install.sh | sh

验证安装：ollama --version

Ollama 会自动在后台启动服务，默认监听 11434 端口。

下载模型

对于代码审查任务，推荐用 Codellama 或 Mistral。

下载模型：ollama pull codellama 或 ollama pull mistral

查看已下载的模型：ollama list

编写代码审查脚本

下面是一个完整的 Python 脚本，实现自动化代码审查功能。

#!/usr/bin/env python3
import os
import sys
import json
from pathlib import Path
from typing import List, Dict
import requests

class CodeReviewer:
    def __init__(self, model: str = "codellama", ollama_host: str = "http://localhost:11434"):
        self.model = model
        self.ollama_host = ollama_host

    def review_code(self, code: str) -> str:
        url = f"{self.ollama_host}/api/generate"
        prompt = f"你是一位代码审查专家。请审查以下代码并给出建议：
{code}"
        payload = {"model": self.model, "prompt": prompt, "stream": False}
        response = requests.post(url, json=payload, timeout=120)
        return response.json().get("response", "无响应")

    def review_file(self, file_path: str) -> str:
        with open(file_path, 'r', encoding='utf-8') as f:
            code = f.read()
        return self.review_code(code)

if __name__ == "__main__":
    import argparse
    parser = argparse.ArgumentParser()
    parser.add_argument('path')
    args = parser.parse_args()
    reviewer = CodeReviewer()
    print(reviewer.review_file(args.path))

安装依赖并运行

先安装 requests 库：pip install requests

使用方式：python code_reviewer.py your_code.py

运行效果示例

假设有如下有问题的代码：

import sqlite3
def get_user_data(user_id):
    conn = sqlite3.connect("app.db")
    query = f"SELECT * FROM users WHERE id = {user_id}"
    return conn.cursor().execute(query).fetchone()

审查后会指出：SQL 注入漏洞、数据库连接未关闭、敏感信息硬编码等问题。

这个方案适合谁

本地 LLM 代码审查的好处：代码不离开你的机器，不用交 API 费，不需要网络也能用，还能根据团队规范定制提示词。

局限：本地模型的智力不如 GPT-4；需要下载几GB的模型文件；建议至少 8GB 内存。

对于注重隐私的团队和个人开发者来说，这套方案值得一试。