智能代码审查AI Agent系统如何包装简历？

最近有球友反馈说，想把咱们星球中的智能代码审查系统AI Agent项目，写到自己的求职简历中。

今天这篇专门给大家分享一下，智能代码审查系统如何包装简历？

项目名称：智能代码审查AI Agent系统

核心技术：SpringBoot 3、Spring AI、PostgreSQL、PGVector、MinIO、Redis、Apache Tika、JavaParser、Ollama、RAG、GitHub Actions等。

项目描述：CodeGuardian AI 是研发效能体系中的一个核心子系统。考虑到资深开发人员在代码审查（Code Review）上耗时过长且标准不统一，为了在保证代码质量的前提下提升研发效率，因此增加了专门的智能审查系统。用户提交代码（PR/MR）后，系统自动进行语义级审查、生成修复建议、并拦截高危代码。 我的职责：主要参与智能审查系统的架构设计和核心代码编写。包括：RAG 检索增强模块、多模型接入网关、审查报告生成、CI/CD 集成等功能开发，其中 RAG 模块包含了向量库构建与混合检索功能。

项目亮点：

1. 系统采用了 RAG（检索增强生成）架构，通过混合检索（Vector + BM25）引入了企业内部开发规范和历史缺陷库，解决了通用大模型不懂业务上下文和“幻觉”的问题。
2. 文档解析使用了 Apache Tika 配合 AST（抽象语法树）分析，实现了对代码文件的精准切片，避免了将无关代码传入模型，大幅降低了 Token 消耗。
3. 审查执行时，增加了“语义指纹”缓存机制（基于 Redis），对于未变更或相似度极高的代码块直接返回历史结果，审查效率提升了 40%。
4. 模型调用时，设计了自动降级（Fallback）策略。当 Embedding 模型初始化失败（如 ORT 错误）或远程 API 超时时，自动切换为纯文本 BM25 检索或本地离线模型，保证了系统的可用性。
5. 审查意见生成时，要求模型输出结构化 JSON 数据，包含置信度（Confidence）字段，低置信度的建议直接过滤，保证了审查结果的准确率。
6. 数据存储使用了 PGVector 插件，无需引入额外的向量数据库组件，利用 PostgreSQL 即可同时管理业务数据和向量数据，降低了运维成本。
7. 文件存储使用了 MinIO 对象存储，将代码快照和生成的 HTML 报告异步上传，保证了主流程的轻量化。
8. 通过 Spring AI 的 ChatClient 抽象，统一了 OpenAI、Qwen、DeepSeek 等多模型的调用接口，实现了底层模型的无缝切换。
9. 接入层通过 Webhook 监听 Git 事件，使用 CompletableFuture 实现了异步非阻塞的审查任务触发，保证了代码提交接口的响应速度。

常见问题

1 部署了几台服务器？并发量多大？

2 智能审查如何保证准确率？

3 大文件代码（超过 Token 限制）如何处理？

4 为什么不用 SonarQube？

5 遇到模型服务不可用怎么办？

如何获取项目源代码、完整教程和问题答案？