第 2 课 · Spring Boot 后端与 AI 审查服务

Corey2025/12/30大约 8 分钟面试题面试题

来源：第 2 课 · Spring Boot 后端与 AI 审查服务

课程目标：

看懂一次审查从 HTTP 请求到 AI 调用再到落库的完整后端流程；
理解 ReviewService 和 AIReviewService 各自的职责分工；
知道如何通过 Prompt 约束大模型按指定 JSON 返回结果。

一、本课整体视图

从“前端点一下开始审查”到“AI 给出结果”，后端大致经历这几步：

前端调用 POST /api/review/quick；
ReviewController.quickReview() 接收请求，交给 ReviewService.quickReview()；
ReviewService.createReview()：

创建一条 Review 记录，状态设为 PROCESSING；
调用 AIReviewService.reviewCode()，拿到 ReviewResult；
回写评分、总结、问题列表，状态改为 COMPLETED；

按 ReviewDto.ReviewResponse 组装响应，返回给前端。

可以把它理解成：

Controller 管“入口”，Service 管“流程”，AIService 只负责“跟大模型聊天并翻译成 Java 对象”。

二、请求与响应 DTO 结构

核心 DTO 定义在 backend/src/main/java/com/aireviewer/dto/ReviewDto.java。

1. 请求：ReviewRequest

@Data
public static class ReviewRequest {
    @NotBlank(message = "代码内容不能为空")
    private String code;

    @NotBlank(message = "编程语言不能为空")
    private String language;
}

前端只需要传两件事：
code：完整的 Java 源码字符串；
language：当前课程中固定传 "Java"。

2. AI 返回内部使用：ReviewResult

@Data
@Builder
@NoArgsConstructor
@AllArgsConstructor
public static class ReviewResult {
    private Integer score;
    private String summary;
    private List&lt;ReviewIssue&gt; issues;
    private String optimizedCode;
}

这是后端内部用来承接 AI 审查结果的模型，不直接对外暴露。
字段含义：
score：0–100 的代码质量评分；
summary：AI 对整体质量的一句话总结；
issues：问题列表（行号、严重程度、分类、建议等）；
optimizedCode：优化后的完整 Java 源码。

3. 对前端响应：ReviewResponse

@Data
@Builder
@NoArgsConstructor
@AllArgsConstructor
public static class ReviewResponse {
    private Long id;
    private String language;
    private String code;
    private Integer score;
    private String summary;
    private List&lt;ReviewIssue&gt; issues;
    private String optimizedCode;
    private String status;
    private LocalDateTime createdAt;
    private LocalDateTime completedAt;
}

在 ReviewResponse 的基础上，额外封装了：
审查记录的 id、status；
创建时间和完成时间，方便后续做审查历史。

知识点： 通过 DTO 把“自然语言需求”抽象成明确数据结构，是 AI 集成工程化的第一步。

三、ReviewService：一次审查的业务流程

文件：backend/src/main/java/com/aireviewer/service/ReviewService.java

1. createReview：审查主流程

伪代码结构如下：

public ReviewDto.ReviewResponse createReview(ReviewDto.ReviewRequest request, String username) {
    // 1. 关联用户（可为空）
    User user = findUserOrNull(username);

    // 2. 创建 Review 实体，状态设为 PROCESSING
    Review review = Review.builder()
            .user(user)
            .code(request.getCode())
            .language(request.getLanguage())
            .status(Review.ReviewStatus.PROCESSING)
            .build();
    review = reviewRepository.save(review);

    // 3. 调用 AI 服务
    ReviewDto.ReviewResult result = aiReviewService
            .reviewCode(request.getCode(), request.getLanguage())
            .block();

    // 4. 更新评分、总结、完成时间等
    review.setScore(result.getScore());
    review.setSummary(result.getSummary());
    review.setStatus(Review.ReviewStatus.COMPLETED);
    review.setCompletedAt(LocalDateTime.now());

    // 5. 把 issues 序列化成 JSON 存入数据库
    review.setResult(objectMapper.writeValueAsString(result.getIssues()));

    reviewRepository.save(review);

    // 6. 组装响应，带上 optimizedCode
    return toResponse(review, result.getIssues(), result.getOptimizedCode());
}

关键点：

审查不是“纯调用 AI”，而是一次完整的业务流程：
有记录、有状态、有时间戳；
可追溯，可做历史分析。
aiReviewService.reviewCode(...).block()：
使用 WebFlux 的 Mono，最终在这里同步阻塞拿到结果；
方便将来切换为异步审查或消息队列。

2. toResponse：聚合数据库字段 + AI 结果

为了保证返回结构统一，ReviewService 提供了一个统一的装配方法：

private ReviewDto.ReviewResponse toResponse(
        Review review,
        List<ReviewDto.ReviewIssue> issues,
        String optimizedCode) {
    return ReviewDto.ReviewResponse.builder()
            .id(review.getId())
            .language(review.getLanguage())
            .code(review.getCode())
            .score(review.getScore())
            .summary(review.getSummary())
            .issues(issues)
            .optimizedCode(optimizedCode)
            .status(review.getStatus().name())
            .createdAt(review.getCreatedAt())
            .completedAt(review.getCompletedAt())
            .build();
}

亮点： Review 实体负责“存历史”，ReviewResult 负责“承接 AI 返回”，最终在 ReviewResponse 里组合在一起，对前端来说是一个干净、稳定的结构。

四、AIReviewService：与通义千问对话

文件：backend/src/main/java/com/aireviewer/service/AIReviewService.java

1. 核心方法签名

public Mono<ReviewDto.ReviewResult> reviewCode(String code, String language)

入参：
code：待审查的源代码文本；
language：语言标识（当前课程阶段固定为 "Java"）。
出参：
Mono：方便将来升级为异步流水线。

2. Prompt 模板（节选）

private static final String REVIEW_PROMPT_TEMPLATE = """
    你是一位资深的代码审查专家。请对以下 Java 代码进行全面审查：

    ```java
    %s
    ```

    请从以下维度进行审查：
    1. 代码质量：可读性、可维护性、代码结构
    2. 潜在Bug：逻辑错误、边界条件、空指针等
    3. 安全漏洞：SQL注入、XSS、敏感信息泄露等
    4. 性能问题：算法复杂度、资源泄露、不必要的计算等
    5. 最佳实践：设计模式、语言特性使用、注释规范等

    请严格按以下JSON格式输出审查结果（不要有任何其他文本）：
    {
      "score": 代码质量评分(0-100的整数),
      "summary": "整体评价（100字以内）",
      "issues": [
        {
          "lineStart": 问题起始行号(整数),
          "lineEnd": 问题结束行号(整数),
          "severity": "critical或high或medium或low或info",
          "category": "bug或security或performance或style或best_practice",
          "message": "问题描述",
          "suggestion": "修复建议",
          "fixCode": "建议的修复代码（可选，无则为空字符串）"
        }
      ],
      "optimizedCode": "优化后的完整代码（必须是合法的Java代码，包含所有原始代码内容，只做优化改进，不是分段优化）"
    }

    注意：
    - 如果代码没有问题，issues 数组为空
    - 确保返回的是合法的 JSON 格式
    - optimizedCode 必须是完整的Java代码，包含所有原始代码内容，只做优化改进，不是分段优化
    - 行号从1开始计数
    """;

这里有两个非常关键的工程实践：

要求 AI 严格输出 JSON，且“不要有任何其他文本”，避免自然语言前后缀干扰解析；
明确约束 optimizedCode 是“完整 Java 源码，而不是分段 patch”。

这让我们的后端可以“像调用普通服务一样”使用 AI，而不是手动去清洗一堆聊天文本。

3. 调用与解析（简化版）

构造请求体：

Map<String, Object> requestBody = Map.of(
        "model", model,
        "messages", List.of(
                Map.of("role", "system", "content", "你是一个专业的代码审查助手，只返回JSON格式的审查结果。"),
                Map.of("role", "user", "content", prompt)
        ),
        "max_tokens", maxTokens,
        "temperature", temperature
);

发送请求并解析返回：

return qwenWebClient.post()
        .bodyValue(requestBody)
        .retrieve()
        .bodyToMono(String.class)
        .map(this::parseResponse)
        .onErrorResume(e -> Mono.just(createErrorResult(e.getMessage())));