PatchPatrol

Code-Reviews mit lokaler KI

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

Für DSGVO-orientierte Deployments entwickelt: PatchPatrol und das KI Modell laufen in Ihrer eigenen Infrastruktur.

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

Repository-aware rules

Projektspezifische Review Regeln

Für einzelne Pfade, Komponenten und Dateitypen lassen sich gezielte Review-Hinweise definieren. So prüft PatchPatrol nicht nur generisch, sondern entlang der Standards Ihres Projekts.

Technische Dokumentation

Rules

.ai-review.yml

01 version: 1

02 review:

03 rules:

04 - id: privacy.no-raw-payload-logging

05 severity: error

06 scope:

07 - "src/api/**"

08 instruction: "Flag new logging paths that could expose raw request data."

10 - id: tests.runtime-behavior-needs-regression

11 severity: warning

12 scope:

13 - "src/**/*.py"

14 instruction: "Check whether behavior changes include regression coverage."

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.