PatchPatrol

Code-Reviews mit lokaler KI

PatchPatrol prüft GitLab Merge Requests, GitHub Pull Requests und lokale Diffs über freigegebene Modell-Endpunkte.

Screenshot des PatchPatrol AI Review Reports im Hero-Bereich der Startseite — PatchPatrol prüft automatisch Änderungen und hilft Reviewern, schneller zu erkennen, was relevant ist.

Konzept

KI-basierte Code-Reviews

Transparenter KI Einsatz

Kontrollierter LLM Modelle und APIs

PatchPatrol arbeitet mit dem limitierten Kontext und ruft nur definierte, freigegebene Modell-Endpunkte. So landet Ihr Code nicht unkontrolliert bei externen Diensten.

Lokal, selbst gehostet oder freigegeben

Limitierter Kontext

Nur relevante Änderungen prüfen, nicht die gesamte Codebasis

PatchPatrol ermittelt zu den relevanten Änderungen den nötigen Kontext. Weil nur diese geringe Datenmenge geprüft wird, bleibt die Analyse auch auf lokaler Hardware performant.

MR-, GitHub-PR- und lokaler Diff-Kontext

Direkt nachvollziehbar

Findings im Review-Kontext

PatchPatrol stellt Hinweise je nach Setup als Inline-Kommentare an der betroffenen Stelle, als CI-Summary und als HTML-Report bereit. So bleibt das Review schnell lesbar, ohne den vollständigen Report zu verlieren.

Inline-Kommentare, CI-Summary, HTML-Report

Risiko im Blick

Risiken schneller erkennen

PatchPatrol hebt Hinweise hervor, die Aufmerksamkeit verdienen, und liefert Kontext zur betroffenen Änderung.

Kontext für Entscheidungen

Pipeline Integration

KI Feedback direkt in der Pipeline

PatchPatrol ergänzt Ihre bestehende Merge-Request- oder Pull-Request-Pipeline. Das Feedback wird in der UI angezeigt, damit Reviewer direkt sehen, welche Änderungen Aufmerksamkeit brauchen.

Nutzt vorhandene Tools aus Ihrem Projekt

Node

Python

Java

Ruby

Rust

GitLab CI

.gitlab-ci.yml

01 patchpatrol_review:

02 image: registry.patchpatrol.ai/patchpatrol:latest

03 rules:

04 - if: '$CI_MERGE_REQUEST_IID'

05 variables:

06 AI_REVIEW_PROVIDER: "ollama"

07 AI_REVIEW_OUTPUT_DIR: ".ai-review"

08 AI_REVIEW_FEEDBACK_MODE: "artifact-only"

09 script:

10 - ai-review run --mode mr

11 artifacts:

12 when: always

13 paths:

14 - .ai-review/*

15 reports:

16 codequality: .ai-review/gl-code-quality-report.json

So funktioniert es

Ausgewählte Änderung, begrenzter Kontext, nachvollziehbares Review-Ergebnis.

Schritt 01

Code Change als Ausgangspunkt

Der Lauf startet mit einer konkreten Änderung: einem GitLab Merge Request, einem GitHub Pull-Request-Workflow oder einem lokalen Diff.
Schritt 02

Relevanten Kontext begrenzen

Der Review-Kontext umfasst nur Inhalte, die zur ausgewählten Änderung gehören. Das macht den Modellaufruf kompakter, schneller und transparent nachvollziehbar.
Schritt 03

Trust-Checks vor dem AI-Review

Vor jedem Provider-Aufruf prüfen Trust-Checks Endpunkt, Umfang und vertrauliche Inhalte. So bleibt sichtbar, welche Grenzen für den KI-Review gelten.
Schritt 04

Code Review

Das LLM prüft Änderungskontext, Scope-Grenzen und betroffene Codepfade. Die Antwort liefert priorisierte Findings mit klarer Begründung.
Schritt 05

Findings nachvollziehbar machen

Aus der Modellantwort entsteht eine Review-Zusammenfassung für den schnellen Überblick. Der HTML-Report zeigt Findings, Kontext und Bewertung im Detail.

Dokumentation

Öffnen Sie die Docs für Setup, Konfiguration oder Fehlerbehebung.

Diese Seite erklärt, wo PatchPatrol passt. Die Docs führen durch Admin-Setup, Entwickler-Übergabe, Konfigurationsreferenz und Troubleshooting.

Die technischen Docs sind derzeit nur auf Englisch verfügbar.

Admin-Pfad

Den GitLab-Review-Flow als Admin einrichten

Der Admin-Quickstart führt durch GitLab-Setup, Provider-Voraussetzungen und den Rollout-Vertrag. Die Docs sind auf Englisch.

Admin-Quickstart öffnen (EN)

GitHub-Actions-Pfad

Begrenzten Review aus einem Pull-Request-Workflow starten

Der GitHub-Actions-Guide erklärt `--mode github-pr`, Job Summary und hochgeladene `.ai-review/*` Artefakte. Die Docs sind auf Englisch.

GitHub-Actions-Guide öffnen (EN)

Direkte Hilfe

Anfragen, wenn Eignung oder Rollout-Form noch offen sind

Wenn noch unklar ist, ob PatchPatrol zu Ihrer Umgebung oder Ihren Anforderungen passt, sprechen Sie zuerst mit uns, bevor Sie in die Setup-Docs einsteigen.

Mit PatchPatrol sprechen

Bereit für den ersten KI-Review?

Sprechen wir über Ihren ersten PatchPatrol-Review

Erzählen Sie uns von Ihrem Rollout, den Datenschutzgrenzen und dem Codebereich, den Sie zuerst prüfen möchten. Wir sagen Ihnen, wo PatchPatrol passt, wo nicht, und wie ein erster Pilot aussehen kann.

Gespräch vereinbaren