1. PR 前自检为什么总在重复劳动Python 代码审查的自动化缺口团队里做 Python 项目PR 前自检这件事几乎每个人都经历过。提交前打开 diff一行行看命名、缩进、异常处理、资源释放看完一遍心里还是没底。问题不在于开发者不认真而在于重复检查这件事本身就不该由人来做。变量名是不是 snake_case、函数有没有超过 50 行、open()有没有配with、except里是不是只写了个pass——这些规则明确、判断标准统一的检查项人工看一百遍和看一遍的结果是一样的但消耗的时间是线性叠加的。我待过一个十人左右的 Python 后端团队每周合并的 PR 大概三四十个。每个 PR 平均要花 20 到 40 分钟做人工审查其中至少一半时间花在格式、命名、导入顺序这类机械问题上。真正需要人判断的业务逻辑、边界条件、并发安全反而因为精力被前面耗光而草草带过。这就是典型的审查资源错配把人的注意力浪费在机器能做的事上。Trae 这类 AI 编程工具出现后情况有了变化。它的提示词能力可以把「审查规则」写成结构化的指令让模型生成一个可执行的检查脚本或者直接对一段代码输出问题清单。但这里有个现实问题Trae 本身负责生成审查逻辑真正执行审查、跑模型推理的那一步需要一个稳定的 API 通道。如果每个开发者各自配一套 Key、各自记一套 Base URL团队协作时就会出现「我这边能跑、你那边 401」的尴尬。这篇要解决的就是把 Trae 提示词驱动的审查流程和 TaoToken 的统一 API 通道接起来。目标很具体面向 PR 前自检场景给出一套可复制的审查提示词模板配好统一的 Key 和 Base URL然后对同一段有问题的 Python 代码执行审查、定位问题、修复后复跑验证。整个流程走完你应该能把这套东西直接搬到自己团队的 pre-commit 或者 CI 里。适合谁看正在用 Trae 做 Python 开发、团队有 PR 审查流程、想减少人工重复检查的开发者。不需要你懂模型微调但需要你会基本的 Python 和命令行操作。下面从环境准备开始一步步来。2. TaoToken 统一 Key 与 API 通道配置让 Trae 审查脚本跑在同一个入口在写审查脚本之前先把 API 通道这件事定下来。Trae 生成的是审查逻辑和提示词但审查脚本要调用模型能力时得有一个统一的入口。TaoToken 在这里扮演的角色是统一 Key 和 API 通道团队里所有人用同一个 Base URL、同一套 Key 管理方式脚本里不出现硬编码的密钥换人、换机器都不用重新配。先明确几个地址后面配置会用到官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 地址脚本里填这个https://taotoken.net/api模型对话页https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewriteAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite拿到 Key 之后不要写进代码。用环境变量管理这是团队协作的基本要求。在项目根目录建一个.env文件记得加进.gitignore# .env TAOTOKEN_API_KEYsk-你的实际Key TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODELclaude-sonnet-4-5然后在审查脚本里用os.environ读取。如果你用的是 OpenAI 兼容的 SDK配置方式如下import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) MODEL_ID os.environ.get(TAOTOKEN_MODEL, claude-sonnet-4-5)这里三个要素必须齐全Base URL指向https://taotoken.net/apiKey从环境变量读Model ID明确写出来。缺任何一个请求都会失败。我见过最常见的错误就是只配了 Key 没配 Base URL结果请求打到了默认的 OpenAI 地址直接 401。如果你用的是 Trae 的插件体系或者 Cline 这类工具配置项通常长这样以 JSON 为例{ provider: openai-compatible, baseUrl: https://taotoken.net/api, apiKey: ${env:TAOTOKEN_API_KEY}, model: claude-sonnet-4-5 }注意baseUrl结尾不要多加/v1TaoToken 的 API 地址就是https://taotoken.net/apiSDK 会自己拼接路径。多写一层会导致 404。团队协作时建议把.env.example提交到仓库里面只写变量名和占位符真实 Key 由每个人自己填。这样新同学 clone 下来复制一份.env、填上自己的 Key 就能跑不需要问「Base URL 是什么」这种问题。配置完成后先做一次最小验证确认通道是通的resp client.chat.completions.create( modelMODEL_ID, messages[{role: user, content: 回复 OK 两个字母}], max_tokens10, ) print(resp.choices[0].message.content)能打印出内容说明 Key、Base URL、Model ID 三件套都对了。这一步别跳过后面审查脚本报错时你能快速判断是通道问题还是提示词问题。3. 可复制的 Trae 审查提示词模板与 settings 配置片段通道通了接下来是核心审查提示词模板。Trae 的提示词能力在于把「审查什么、按什么标准、输出什么格式」讲清楚。我试过很多版最后稳定下来的模板结构是四段式角色、检查项、输出格式、约束。先看模板本体这段可以直接复制到 Trae 的提示词输入框也可以存成review_prompt.md供脚本读取你是一名 Python 代码审查专家负责在 PR 合并前对代码做静态审查。 ## 检查项 1. 命名规范变量/函数用 snake_case类用 PascalCase常量全大写 2. 函数长度单个函数不超过 50 行超过则提示拆分 3. 资源管理open()、数据库连接、锁必须用 with 或 try/finally 释放 4. 异常处理禁止裸 except禁止 except 块内只有 pass 5. 导入顺序标准库 - 第三方库 - 本地模块分组之间空一行 6. 可变默认参数函数参数禁止使用 [] 或 {} 作为默认值 7. 类型注解公开函数必须有参数和返回值类型注解 ## 输出格式 对每个问题输出一行 JSON {line: 行号, severity: error|warning|info, rule: 规则名, message: 问题描述, fix: 修复建议} 最后输出一个汇总对象 {total: 问题总数, error: 错误数, warning: 警告数, info: 提示数} ## 约束 - 只报告上述 7 类问题不要发散 - 行号以代码第一行为 1 开始计数 - 没有问题时输出 {total: 0, error: 0, warning: 0, info: 0}这个模板的关键在于检查项是封闭的。早期我写的提示词是「帮我检查代码问题」结果模型一会儿说性能、一会儿说安全、一会儿说可读性输出格式每次都不一样根本没法自动化处理。把检查项限定成 7 条之后输出稳定了脚本可以直接解析 JSON。接下来是脚本侧的配置。建一个review_config.json把提示词路径、模型参数、检查项开关都放进去{ prompt_file: review_prompt.md, model: claude-sonnet-4-5, temperature: 0.1, max_tokens: 4096, rules: { naming: true, function_length: true, resource_management: true, exception_handling: true, import_order: true, mutable_default: true, type_annotation: true }, severity_threshold: warning }temperature设成 0.1 是为了让审查结果稳定同样的代码每次跑出来的问题清单应该一致。severity_threshold控制哪些级别的问题会导致脚本返回非零退出码方便接 CI。审查脚本的主体逻辑import json import os import sys from openai import OpenAI def load_config(pathreview_config.json): with open(path, encodingutf-8) as f: return json.load(f) def load_prompt(path): with open(path, encodingutf-8) as f: return f.read() def review_code(code: str, config: dict, prompt: str) - dict: client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) messages [ {role: system, content: prompt}, {role: user, content: f审查以下 Python 代码\n\npython\n{code}\n}, ] resp client.chat.completions.create( modelconfig[model], messagesmessages, temperatureconfig[temperature], max_tokensconfig[max_tokens], ) return resp.choices[0].message.content if __name__ __main__: config load_config() prompt load_prompt(config[prompt_file]) target sys.argv[1] if len(sys.argv) 1 else sample.py with open(target, encodingutf-8) as f: code f.read() result review_code(code, config, prompt) print(result)这段脚本把提示词、配置、代码三者解耦。换检查项改 JSON换提示词改 md 文件换被审查文件改命令行参数。团队里每个人拿到的审查标准是一致的不会因为谁改了提示词就出现结果漂移。如果你用 Trae 的 settings 体系对应的配置片段路径按你本地实际调整{ trae.review.promptPath: ${workspaceFolder}/review_prompt.md, trae.review.configPath: ${workspaceFolder}/review_config.json, trae.review.apiBaseUrl: https://taotoken.net/api, trae.review.apiKeyEnv: TAOTOKEN_API_KEY, trae.review.modelId: claude-sonnet-4-5 }这里再次强调三件套Base URL、Key 环境变量名、Model ID一个都不能少。Trae 侧只负责触发审查真正的模型调用走 TaoToken 的统一通道。4. 对同一段 Python 代码执行审查、定位问题、复跑验证配置齐了现在拿一段真实有问题的代码跑一遍。下面这段是我故意写的「反面教材」涵盖了模板里 7 类问题中的大部分import requests import os from typing import List def ProcessData(data[], timeout30): result [] f open(output.txt, w) for i in range(len(data)): item data[i] try: resp requests.get(item, timeouttimeout) result.append(resp.json()) except: pass f.write(str(result)) return result class dataProcessor: def __init__(self): self.cache {} def getData(self, key): if key in self.cache: return self.cache[key] return None把这段存成sample.py然后跑审查脚本python review.py sample.py模型返回的问题清单我实测下来的输出做了整理{line: 5, severity: error, rule: mutable_default, message: 函数参数 data 使用可变默认值 [], fix: 改为 dataNone函数体内 if data is None: data []} {line: 5, severity: warning, rule: naming, message: 函数名 ProcessData 不符合 snake_case, fix: 改为 process_data} {line: 7, severity: error, rule: resource_management, message: open() 未使用 with 语句文件句柄可能泄漏, fix: 改为 with open(output.txt, w) as f:} {line: 12, severity: error, rule: exception_handling, message: 裸 except 且块内只有 pass异常被静默吞掉, fix: 捕获具体异常并记录日志如 except requests.RequestException as e: logger.warning(e)} {line: 3, severity: info, rule: import_order, message: 导入顺序不规范标准库 os 应在第三方库 requests 之前, fix: 调整为 import os; import requests; from typing import List} {line: 17, severity: warning, rule: naming, message: 类名 dataProcessor 不符合 PascalCase, fix: 改为 DataProcessor} {line: 21, severity: warning, rule: naming, message: 方法名 getData 不符合 snake_case, fix: 改为 get_data} {line: 5, severity: info, rule: type_annotation, message: 公开函数缺少参数和返回值类型注解, fix: 添加 def process_data(data: List[str] None, timeout: int 30) - List[dict]:} {total: 8, error: 3, warning: 3, info: 2}8 个问题3 个 error。人工审查这段代码熟练的人大概要 3 到 5 分钟才能全部找出来而且很容易漏掉可变默认参数这种「看起来没问题」的坑。脚本跑一次不到 10 秒。现在按修复建议改一版import os from typing import List, Optional import requests logger logging.getLogger(__name__) def process_data(data: Optional[List[str]] None, timeout: int 30) - List[dict]: if data is None: data [] result [] with open(output.txt, w) as f: for item in data: try: resp requests.get(item, timeouttimeout) result.append(resp.json()) except requests.RequestException as e: logger.warning(请求失败: %s, 错误: %s, item, e) f.write(str(result)) return result class DataProcessor: def __init__(self): self.cache {} def get_data(self, key): return self.cache.get(key)复跑审查python review.py sample_fixed.py输出{total: 0, error: 0, warning: 0, info: 0}从 8 个问题到 0 个问题整个过程包括写提示词、跑审查、修复、复跑大概 15 分钟。其中真正花在「思考」上的时间很少大部分是机械操作。这就是把重复检查交给自动化后的效果人只需要看模型报出来的问题清单判断哪些要改、怎么改不需要自己一行行扫。这里有个细节值得说复跑验证这一步不能省。我遇到过修复引入新问题的情况比如把except改成捕获具体异常后忘了导入对应的异常类结果脚本报NameError。复跑一次就能发现。所以审查流程应该是「审查 - 修复 - 复跑 - 通过」而不是「审查 - 修复 - 提交」。5. 常见报错排查401、local proxy failed、reading choices、OAuth 对照跑这套流程报错基本集中在通道和解析两个环节。下面按我实际踩过的坑逐个对照。401 Unauthorized。这是最高频的。原因通常有三个Key 没读到、Key 失效、Base URL 配错导致请求打到了别处。排查顺序先确认环境变量有没有加载echo $TAOTOKEN_API_KEY看输出再确认 Base URL 是不是https://taotoken.net/api多写/v1或少写都会出问题最后去 API Keys 页面确认 Key 还在有效期内。如果是团队协作检查.env是不是被.gitignore忽略了导致新同学没拿到。local proxy failed / connection refused。这个报错说明请求根本没发出去卡在本地网络层。常见原因是脚本里配了http_proxy或https_proxy环境变量但代理服务没启动。检查env | grep -i proxy如果有残留的代理配置清掉再跑。另外确认本机 DNS 能解析taotoken.netping taotoken.net通不通。reading choices of undefined。这是解析阶段的错误说明resp.choices是空的。原因通常是模型返回了错误信息而不是正常响应但脚本没做错误判断就直接取choices[0]。修复方式是在取choices之前先判断if not resp.choices: raise RuntimeError(f模型返回异常: {resp}) content resp.choices[0].message.content同时检查max_tokens是不是设得太小导致模型还没输出完就被截断。审查场景建议至少 2048。OAuth 相关报错。如果你用的是 Trae 的账号体系或者某些需要 OAuth 授权的工具可能会遇到 token 过期。这类报错的关键词通常是invalid_grant、token expired。处理方式是重新走一遍授权流程或者在配置里改用 API Key 方式而不是 OAuth。TaoToken 的 API Key 方式不涉及 OAuth配好环境变量就能用这也是我推荐团队用 Key 而不是 OAuth 的原因之一。模型返回不是合法 JSON。审查脚本要解析 JSON但模型偶尔会输出带 markdown 代码块包裹的内容。处理方式是在解析前先剥离代码块标记import re def extract_json(text: str) - str: match re.search(r(?:json)?\s*(.*?), text, re.DOTALL) if match: return match.group(1).strip() return text.strip()另外在提示词里明确写「直接输出 JSON不要用代码块包裹」能减少这类情况。审查结果为空但代码明显有问题。这通常是提示词没生效或者模型没理解检查项。排查把提示词单独拿出来用模型对话页手动发一次看输出是否符合预期。如果手动发正常、脚本跑不正常那就是脚本拼接 messages 时出了问题检查 system 和 user 角色有没有搞反。把这几类报错对照表整理一下报错关键词根因处理401 UnauthorizedKey 缺失/失效/Base URL 错检查环境变量和 API 地址local proxy failed本地代理残留清理 proxy 环境变量reading choices响应异常未判断加空值判断检查 max_tokensOAuth invalid_grant授权过期改用 API Key 方式JSON 解析失败输出带代码块正则剥离后再解析审查结果为空提示词未生效手动验证提示词排查的核心思路是先确认通道通不通用最小请求验证再确认提示词对不对手动发一次最后确认解析逻辑稳不稳加异常处理。三步走下来大部分问题都能定位。6. 把审查接进 PR 流程从手动触发到 pre-commit 钩子脚本能跑通之后下一步是让它自动跑起来。最轻量的方式是 git pre-commit 钩子提交前自动审查改动的 Python 文件。在.git/hooks/pre-commit里写#!/bin/bash changed$(git diff --cached --name-only --diff-filterACM | grep \.py$) if [ -z $changed ]; then exit 0 fi for file in $changed; do python review.py $file if [ $? -ne 0 ]; then echo 审查未通过: $file exit 1 fi done配合脚本里的退出码逻辑当error数量大于 0 时返回 1阻止提交。这样开发者本地提交前就会看到问题清单不用等到 PR 阶段。如果团队用 CI把审查脚本放进流水线的一个 step 即可。关键是TAOTOKEN_API_KEY要配在 CI 的 secrets 里不要明文写在配置文件。Base URL 和 Model ID 可以写死在配置里因为它们不敏感。长期做编码和 Agent 场景的话可以考虑用 Coding Plan 来管理调用额度地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。对于每天要跑几十次审查的团队比按次调用更划算。最后说一个实际经验审查规则不要一次加太多。我一开始把 7 条规则全开结果模型输出很长开发者看不过来反而忽略了真正重要的 error。后来改成默认只开 error 级别的规则warning 和 info 作为可选团队接受度明显提高。规则是给人用的不是越多越好。整套流程走下来PR 前自检从「人工逐行看」变成「脚本跑一遍、人看清单」重复检查的部分交给自动化人的精力留给真正需要判断的地方。这就是把重复检查交给 TaoToken 的实际意义。