Plataformas, Microsserviços, DevOps e APIs · Hands-on 12

Hands-on 12 — IA no CI/CD

Um revisor com IA em cada pull request — um guia, não uma barreira

Por que começar pela revisão de código?

A IA não está substituindo engenheiros — ela muda quais tarefas ocupam a atenção deles.
Em que ponto do pipeline um assistente de IA compensa primeiro?

  • Revisores são escassos e o tempo de retorno é longo.
  • Muitos problemas são mecânicos: null checks ausentes, segredos fixos no código, violações de convenções REST.
  • Um modelo os detecta antes da chegada do revisor humano — que pode focar no design.

1 · Arquitetura: o fluxo

Quando um desenvolvedor abre um PR, um job do GitHub Actions envia o diff à API do Claude e publica uma revisão estruturada como comentário no PR.

git pushabre o PR
→
pull_requestopened · synchronize
→
job ai-reviewGET /repos/.../pulls/{pr}/files
→
API do Claudeclaude-sonnet-4-6 · diff + system prompt
→
comentário no PRa revisão, na linha do tempo

Não bloqueante: a revisão nunca bloqueia o merge — ela só aparece na linha do tempo do PR.

2.1 · O secret da chave de API

Repositório → Settings → Secrets and variables → Actions → New repository secret

  • Nome: ANTHROPIC_API_KEY
  • Valor: sua chave obtida em console.anthropic.com
  • O runner a injeta como variável de ambiente em tempo de execução.
  • O GITHUB_TOKEN é automático — criado a cada execução, com escopo definido pelas permissions do workflow.

Nunca faça commit da chave de API — nem em .github/workflows/*.yml, nem em arquivo nenhum. Só nos GitHub Secrets.

2.2 · Workflow: gatilho e permissões

.github/workflows/ai-review.yml

name: AI Code Review

on:
  pull_request:
    types: [opened, synchronize]

permissions:
  pull-requests: write   # post the comment
  contents: read

pull-requests: write é o que permite ao GITHUB_TOKEN comentar no PR.

2.2 · Workflow: o job

jobs:
  ai-review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4         # fetch-depth: 0
      - uses: actions/setup-python@v5     # python-version: "3.12"
      - run: pip install anthropic PyGithub
      - name: Run AI review
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
          PR_NUMBER: ${{ github.event.pull_request.number }}
          REPO: ${{ github.repository }}
        run: python .github/scripts/ai_review.py

3 · O script de revisão: system prompt

O system prompt em .github/scripts/ai_review.py é o principal ponto de controle da qualidade da revisão.

Foco em

  1. Segurança (segredos, SQL injection, falta de autenticação)
  2. Tratamento de erros
  3. Convenções REST
  4. Desempenho (N+1, chamadas síncronas que deveriam ser assíncronas)
  5. Validação de entrada

Formato da resposta

  • ## Summary — um parágrafo
  • ## Issues Found — 🔴 Critical · 🟠 Warning · 🟡 Suggestion
  • ## What looks good
  • Menos de 400 palavras; diffs triviais → dizer isso brevemente

3 · Diff entra, comentário sai

diff = get_pr_diff(repo, pr_number)   # concatenates f.patch, stops after 3000 lines

client = anthropic.Anthropic()        # reads ANTHROPIC_API_KEY
message = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    system=SYSTEM_PROMPT,
    messages=[{"role": "user",
               "content": f"Please review this pull request diff:\n\n{diff}"}],
)
post_review_comment(repo, pr_number, message.content[0].text)

post_review_comment chama o pr.create_issue_comment(...) do PyGithub com um cabeçalho "🤖 AI Code Review".

3 · Decisões de design

Decisão Motivo
Diff truncado em 3 000 linhas limita o custo de API em PRs enormes; as mudanças importantes costumam estar no início
max_tokens=1024 ~750 palavras — uma revisão concisa, sem pagar por verbosidade
Comentário, não review reviews de PR exigem estado de aprovação; comentários são sempre permitidos por pull-requests: write
Não bloqueante sem verificação de status obrigatória → o merge nunca é bloqueado

3 · O corte de 3 000 linhas

Um PR grande, arquivo por arquivo, como o get_pr_diff os adiciona:

ProductMapper.java+1800 · enviado · 1 799 linhas até aqui
→
ProductService.java+1400 · enviado · 3 198 linhas, passou de 3 000
✂
application.yaml+6 · nunca enviado: a senha fixa nele nunca é revisada
  • O laço para antes do próximo arquivo assim que passa de 3 000 linhas.
  • Mais barato e mais rápido, mas o modelo não pode apontar o que nunca viu: um falso negativo.

4 · Teste com um problema proposital

git checkout -b feature/add-order-endpoint
# make a change with a deliberate issue,
# e.g. hardcode a JWT secret in application.yaml
git add .
git commit -m "add order endpoint"
git push origin feature/add-order-endpoint
  • Abra o PR no GitHub → em ~30 s o workflow AI Code Review é disparado.
  • A revisão aparece como comentário do bot do Actions.

4 · O que você deve ver

## 🤖 AI Code Review

## Summary
This PR adds an order creation endpoint. ... a critical security issue ...

## Issues Found
🔴 Critical — `application.yaml` contains a hardcoded JWT secret
(`jwt.secret: mysecretkey123`). Secrets must be injected via env vars ...
🟡 Suggestion — `POST /orders` returns `200 OK`; resource creation is
`201 Created` with a `Location` header.

## What looks good
Input validation via `@Valid` is correctly applied to the request body.

Calibre o prompt: se o modelo deixa passar problemas específicos do seu código (Feign clients, anti-padrões de Spring Boot), adicione-os à lista Focus on:.

5 · Estendendo o revisor

Extensão Como
Revisar só código filtro paths: — **/*.java, **/*.yaml, **/*.yml, **/pom.xml, **/Dockerfile
Resumo na descrição do PR repo.get_pull(pr_number).edit(body=summary)
Saída estruturada pedir só JSON: summary, critical_issues, warnings, suggestions, score → renderizar como tabela
Bloquear em 🔴 Critical Checks API do GitHub, checks: write, um check run em vez de um comentário

5 · Um guia, não uma barreira

Bloquear merges com base na saída da IA é confiar nos erros dela: ela pode apontar código seguro ou deixar passar problemas reais.

  • Comece apenas com comentários.
  • Passe a bloquear só depois que o time validar a precisão do modelo no próprio código.
  • Nunca coloque a chave de API em um arquivo versionado.
  • Mantenha o diff e a resposta limitados (3 000 linhas, max_tokens) — cada PR é uma chamada de API que custa dinheiro.

5 · O que a trava muda

comentário (este hands-on)
check obrigatório (5.4)
🔴 real encontrado
merge liberado: alguém precisa ler
bloqueado até a correção
falso positivo
um comentário a ignorar
um PR seguro fica bloqueado
falso negativo
entra sem ninguém notar
entra sem ninguém notar: o check passa
o job falha
merge liberado, um ✗ vermelho
ninguém faz merge até passar
o filtro paths pula
sem check, merge liberado
check parado: “Expected — Waiting for status”

6 · A mesma forma, outras tarefas

Gatilho de CI/CD → coletar contexto → chamada ao LLM com prompt da tarefa → agir sobre o resultado

Padrão O que a IA faz Quando
Revisão de código em PR revisa o diff, aponta problemas todo PR — este hands-on
Geração de testes escreve testes unitários das funções alteradas cobertura abaixo do limite
Padronização de mensagens de commit reescreve ou valida mensagens de commit times grandes, commits inconsistentes
Geração de changelog CHANGELOG.md a partir de títulos de PRs/commits antes de cada release
Detecção de anomalias em logs identifica padrões incomuns depois de um deploy
Consulta a runbooks de incidentes sugere passos de diagnóstico a partir do alerta automação de plantão
Sincronização da documentação detecta código alterado com docs desatualizadas assinaturas da API mudam

Sem repositório: o simulador

4 · 5.11 🔴 + 1 🟡, merge liberado · edited não roda nada · paths pula o README
5.4 travabloqueado, corrigido, falso positivo, falso negativo, espera sem fim
falhassem secret: exit code 1 · 529 repetido · 529 que persiste
  • A página embute o workflow e o script do lab: os mesmos gatilhos, os mesmos passos, o mesmo corte de 3 000 linhas.
  • O play repete uma seção; abra um PR, faça push, edite ou rode de novo a qualquer momento.
  • Troque o modo para check obrigatório para ver o que uma trava muda.

Pontos-chave

  1. Revisão de código é um ótimo primeiro uso de IA: revisores escassos, muitos problemas mecânicos.
  2. Fluxo: evento pull_request → buscar o diff → API do Claude com um system prompt → comentário no PR.
  3. ANTHROPIC_API_KEY fica nos GitHub Secrets; o GITHUB_TOKEN é automático (permissions).
  4. O system prompt é o ponto de controle — ajuste a lista Focus on: ao seu código.
  5. Limite o custo: trunque o diff (3 000 linhas) e limite max_tokens (1024).
  6. Não bloqueante até validar a precisão do modelo — um guia, não uma barreira.
  7. Gatilho → contexto → LLM → ação serve também para testes, changelogs, logs e docs.

Roteiro: (1) por que revisão de código; (2) arquitetura do workflow; (3) secret + arquivo do workflow; (4) o script de revisão; (5) teste com um problema proposital; (6) extensões e outros padrões de IA no pipeline.

Pergunte quais comentários de revisão eles escrevem repetidamente. Esses são os candidatos à automação.

A página desenha o mesmo laço como diagrama passo a passo sob as decisões de design; o "PR grande" do simulador o reproduz.

Falso positivo: um segredo falso num recurso de teste. Falso negativo: o problema está depois do corte de 3 000 linhas. O job falha: sem o secret ANTHROPIC_API_KEY, ou a API continua sobrecarregada (529). A página tem a mesma tabela com marcadores.

Embutido duas vezes: no fim da seção 4 (abrindo em 4 · 5.1) e sob a tabela de 5.4 (abrindo em 5.4 trava).