AI 時代的 Code Review 最佳實踐：從 Google 經驗到智能輔助

# 使用 GitHub Copilot 進行程式碼分析
gh copilot review --diff main

# 使用 Claude 或 ChatGPT 檢查程式碼
# 提示詞範例：
"請審查這段程式碼的設計模式、潛在 bug、效能問題和安全性漏洞"

# 範例：複雜的演算法實作
def optimize_delivery_routes(orders, vehicles, constraints):
    """
    AI 可以自動生成解釋：
    這個函數使用動態規劃解決車輛路徑問題（VRP）
    時間複雜度：O(n²×m)，空間複雜度：O(n×m)
    潛在改進：可以考慮使用啟發式演算法降低複雜度
    """
    # 實作細節...

// 原始函數
function calculateDiscount(price, customerType, quantity) {
    // 業務邏輯...
}

// AI 自動生成的測試
describe('calculateDiscount', () => {
    test('應該為 VIP 客戶提供 20% 折扣', () => {
        expect(calculateDiscount(100, 'VIP', 1)).toBe(80);
    });

    test('批量購買應該有額外折扣', () => {
        expect(calculateDiscount(100, 'REGULAR', 10)).toBe(85);
    });

    test('應該處理負數價格的邊界情況', () => {
        expect(() => calculateDiscount(-100, 'VIP', 1)).toThrow();
    });
});

# 設定 Git Hook 自動執行 AI 審查
cat > .git/hooks/pre-commit << 'EOF'
#!/bin/bash
# 使用 AI 工具檢查即將提交的程式碼
git diff --cached | ai-review --check-style --check-bugs --check-security
if [ $? -ne 0 ]; then
    echo "AI 審查發現問題，請修正後再提交"
    exit 1
fi
EOF

# GitHub Actions 範例
name: AI Code Review
on:
  pull_request:
    types: [opened, synchronize]

jobs:
  ai-review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: AI Security Check
        uses: github/super-linter@v4
      - name: AI Code Quality Analysis
        run: |
          # 使用 OpenAI API 分析程式碼品質
          python scripts/ai_review.py --pr ${{ github.event.pull_request.number }}
      - name: Post AI Suggestions
        uses: actions/github-script@v6
        with:
          script: |
            // 將 AI 建議作為評論發布

# AI 協助生成的回饋範例

## 👍 做得好的地方
- 清晰的函數命名和模組化設計
- 完整的錯誤處理機制
- 良好的測試覆蓋率（92%）

## 🔧 建議改進
1. **效能優化機會**
   ```diff
   - const result = array.filter(x => x > 0).map(x => x * 2);
   + const result = array.reduce((acc, x) => x > 0 ? [...acc, x * 2] : acc, []);

## 實用的 AI Code Review 工具推薦

### 工具對比表格

| 工具名稱 | 主要功能 | 支援語言 | 價格方案 | 整合難度 | 適用團隊規模 |
|---------|---------|---------|---------|---------|------------|
| **GitHub Copilot** | AI 程式碼建議、PR 審查 | 全語言支援 | $10-19/月/人 | ⭐ 簡單 | 全規模 |
| **Snyk Code** | 安全漏洞檢測、品質分析 | 10+ 主流語言 | 免費-企業版 | ⭐⭐ 中等 | 中大型 |
| **Amazon CodeGuru** | 效能優化、成本分析 | Java, Python | $0.75/100行 | ⭐⭐⭐ 複雜 | 大型 |
| **Claude API** | 自訂審查邏輯 | 全語言支援 | $3-15/百萬 tokens | ⭐⭐ 中等 | 全規模 |
| **SonarCloud** | 程式碼品質門檻 | 25+ 語言 | 免費-€150/月 | ⭐ 簡單 | 中小型 |

### 1. GitHub Copilot for Pull Requests

```bash
# 安裝 GitHub CLI 擴展
gh extension install github/gh-copilot

# 對 PR 進行 AI 審查
gh copilot review --pr 123

# 自訂 AI 審查腳本範例
import openai
import subprocess

def ai_review_diff():
    # 獲取 git diff
    diff = subprocess.run(['git', 'diff', 'HEAD~1'],
                         capture_output=True, text=True).stdout

    # 調用 AI API
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是資深的程式碼審查專家"},
            {"role": "user", "content": f"請審查以下程式碼變更：\n{diff}"}
        ]
    )

    return response.choices[0].message.content

// 導入前：平均每個 PR 審查時間
const beforeMetrics = {
    avgReviewTime: "4.2 hours",
    bugEscapeRate: "12%",
    reviewerLoad: "8 PRs/day"
};

// 導入後 3 個月
const afterMetrics = {
    avgReviewTime: "1.5 hours",  // -64%
    bugEscapeRate: "7%",         // -42%
    reviewerLoad: "15 PRs/day"   // +88% 產能
};

def calculate_ai_review_roi(team_size, avg_salary, pr_per_week):
    """
    計算導入 AI Code Review 的投資回報率
    """
    # 成本參數
    hourly_rate = avg_salary / 2080  # 年薪轉時薪
    review_hours_saved = pr_per_week * 2.5  # 平均每個 PR 節省 2.5 小時

    # AI 工具成本（以 GitHub Copilot 為例）
    ai_cost_per_month = team_size * 19  # 企業版價格

    # 效益計算
    monthly_hours_saved = review_hours_saved * 4
    monthly_cost_saved = monthly_hours_saved * hourly_rate * team_size

    # ROI 計算
    net_benefit = monthly_cost_saved - ai_cost_per_month
    roi_percentage = (net_benefit / ai_cost_per_month) * 100

    return {
        "monthly_cost_saved": f"${monthly_cost_saved:,.0f}",
        "ai_tool_cost": f"${ai_cost_per_month:,.0f}",
        "net_monthly_benefit": f"${net_benefit:,.0f}",
        "roi": f"{roi_percentage:.0f}%",
        "payback_period": f"{ai_cost_per_month/monthly_cost_saved:.1f} months"
    }

# 範例：20人團隊，平均年薪 $100K，每週 50 個 PR
result = calculate_ai_review_roi(20, 100000, 50)
# 結果：ROI 826%，投資回收期 0.1 個月

graph LR
    A[選擇試點團隊] --> B[基礎工具導入]
    B --> C[收集初始數據]
    C --> D[調整配置]

# .github/CODEOWNERS
# 定義不同類型檔案的審查策略
*.security.* @security-team !ai-security-check
*.performance.* @performance-team !ai-performance-check
*.ui.* @ui-team !ai-accessibility-check

## 通用審查提示詞
"作為資深工程師，請從以下角度審查程式碼：
1. 設計模式的合理性
2. 潛在的效能問題
3. 安全性漏洞
4. 可維護性和可擴展性
5. 測試覆蓋的完整性"

## 特定語言提示詞
"審查這段 Python 程式碼，特別注意：
- PEP 8 規範遵循
- 類型提示的使用
- 異步程式設計的正確性"

// 追蹤 AI 建議的採納率
const trackAISuggestions = {
    total: 0,
    accepted: 0,
    rejected: 0,
    modified: 0,

    getAcceptanceRate() {
        return (this.accepted / this.total) * 100;
    }
};

// AI 無法做到的事情
const humanOnlyTasks = [
    "理解業務需求的細微差異",
    "做出架構決策",
    "評估技術債務的優先級",
    "指導初級開發者成長",
    "建立團隊文化和規範"
];

// AI 幫你節省時間做更有價值的事
const timeForHighValueWork = [
    "系統架構設計",
    "創新功能開發",
    "技術研究學習",
    "團隊知識分享"
];

# 傳統方式 vs AI 輔助的真實成本
traditional_cost = {
    "senior_reviewer_time": 4,  # 小時/天
    "bug_fix_cost": 5000,      # 生產環境 bug 平均成本
    "onboarding_time": 3,       # 月/新人
}

ai_assisted_cost = {
    "tool_cost": 19,           # $/月/人
    "setup_time": 40,          # 一次性小時數
    "training_time": 8,        # 小時/人
}

# 6個月後的累積效益
six_month_benefit = calculate_cumulative_benefit()
# 結果：節省 $125,000，相當於 1.5 個資深工程師薪資

// 追蹤和改進 AI 準確率
class AIAccuracyTracker {
    trackSuggestion(suggestion, outcome) {
        // 記錄每個建議的採納情況
        this.data.push({
            suggestion,
            accepted: outcome.accepted,
            modified: outcome.modified,
            reason: outcome.reason
        });

        // 定期分析並調整提示詞
        if (this.data.length % 100 === 0) {
            this.optimizePrompts();
        }
    }
}

def sanitize_code_for_ai(code):
    """在送到 AI 前移除敏感資訊"""
    # 移除 API 金鑰
    code = re.sub(r'api_key\s*=\s*["\'].*?["\']', 'api_key="REDACTED"', code)
    # 移除密碼
    code = re.sub(r'password\s*=\s*["\'].*?["\']', 'password="REDACTED"', code)
    # 移除內部 URL
    code = re.sub(r'https://internal\.company\.com/.*', 'INTERNAL_URL', code)
    return code

# 定期分析 Code Review 數據
def analyze_review_metrics():
    metrics = {
        'avg_review_time': calculate_avg_review_time(),
        'ai_suggestion_accuracy': calculate_ai_accuracy(),
        'post_merge_defects': count_production_bugs(),
        'team_satisfaction': get_survey_results()
    }

    # 產生改進建議
    if metrics['avg_review_time'] > 24:  # 小時
        suggest("考慮拆分較大的 PR")
    if metrics['ai_suggestion_accuracy'] < 0.7:
        suggest("調整 AI 提示詞或更換工具")

    return metrics

# 安裝 GitHub CLI with Copilot (有免費試用)
brew install gh
gh auth login
gh extension install github/gh-copilot

# 試用 SonarLint (完全免費)
# VS Code: 安裝 SonarLint 擴展
# IntelliJ: 從 Plugin Marketplace 安裝

#!/bin/bash
# save as: ai-review.sh
# 使用 Claude API 進行快速審查

DIFF=$(git diff HEAD~1)
curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $CLAUDE_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d "{
    \"model\": \"claude-3-haiku-20240307\",
    \"max_tokens\": 1024,
    \"messages\": [{
      \"role\": \"user\",
      \"content\": \"Review this code diff: $DIFF\"
    }]
  }"

const successMetrics = {
    week1: "50% PR 使用 AI 輔助",
    week2: "審查時間減少 30%",
    week3: "建立團隊最佳實踐",
    week4: "ROI 分析報告完成"
};

# 練習項目：找出這段程式碼的問題
def process_user_data(users):
    result = []
    for user in users:
        if user.age > 18:
            user_data = {
                'name': user.name,
                'email': user.email,
                'ssn': user.ssn,  # 問題1：敏感資料暴露
                'password': user.password  # 問題2：明文密碼
            }
            result.append(user_data)
    return result  # 問題3：沒有錯誤處理