--- title: "Хочу обсудить, как подключить другую LLM к ревью кода, написанного КЛодом. Как это организовать? Наверняка ты знаешь, как другие это делают?" source: "https://www.google.com/search?sourceid=chrome&aep=42&source=chrome.crn.rb&q=%D0%A5%D0%BE%D1%87%D1%83+%D0%BE%D0%B1%D1%81%D1%83%D0%B4%D0%B8%D1%82%D1%8C%2C+%D0%BA%D0%B0%D0%BA+%D0%BF%D0%BE%D0%B4%D0%BA%D0%BB%D1%8E%D1%87%D0%B8%D1%82%D1%8C+%D0%B4%D1%80%D1%83%D0%B3%D1%83%D1%8E++LLM++%D0%BA+%D1%80%D0%B5%D0%B2%D1%8C%D1%8E+%D0%BA%D0%BE%D0%B4%D0%B0%2C+%D0%BD%D0%B0%D0%BF%D0%B8%D1%81%D0%B0%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE+%D0%9A%D0%9B%D0%BE%D0%B4%D0%BE%D0%BC.+%D0%9A%D0%B0%D0%BA+%D1%8D%D1%82%D0%BE+%D0%BE%D1%80%D0%B3%D0%B0%D0%BD%D0%B8%D0%B7%D0%BE%D0%B2%D0%B0%D1%82%D1%8C%3F+%D0%9D%D0%B0%D0%B2%D0%B5%D1%80%D0%BD%D1%8F%D0%BA%D0%B0+%D1%82%D1%8B+%D0%B7%D0%BD%D0%B0%D0%B5%D1%88%D1%8C%2C+%D0%BA%D0%B0%D0%BA+%D0%B4%D1%80%D1%83%D0%B3%D0%B8%D0%B5+%D1%8D%D1%82%D0%BE+%D0%B4%D0%B5%D0%BB%D0%B0%D1%8E%D1%82%3F&mstk=AUtExfD5EFxgCPzN9i00Xb6Sng7oox3R0MLA9REWp9DPMJQl5bRyt_-vjx-aF_OLAdQQteu-vj8I7bVGjoD-a114g5-BOzZtyq0bSXcimbBbeakgHNjFiWOnFqNZ3MfdmwJwTKjGzkXXMCEsfvlWcg2J_AmBHzsuH60i3HjfHo2qSI148skiOz50PggUYfyARIMggD2xAPIent3dfljllT5pubb9vjJJXyKarGgn_uz-iiExDVpuL0wstNe7d1uUxyRS3-af17X_So2j8KnM83XZJxHLZcwUqz_l-pk&csuir=1&mtid=aof3aaPIFv_97_UPusiA6Qo&udm=50" fetched: "2026-05-03" published: fetched_via: "obsidian-web-clipper" tags: - "wiki-raw" - "clipping" --- ## Результаты поиска Здравствуйте, Victor! Что вас интересует? Хочу обсудить, как подключить другую LLM к ревью кода, написанного КЛодом. Как это организовать? Наверняка ты знаешь, как другие это делают? Подключение сторонней LLM для ревью кода, написанного Claude (или любой другой моделью), — это отличная практика «перекрестной проверки» (cross-review), которая помогает отловить галлюцинации и специфические баги. Вот как это обычно организуют на практике: 1\. Автоматизация через CI/CD (Самый популярный путь) Большинство команд не копипастят код вручную, а встраивают проверку прямо в GitHub/GitLab. - **Инструменты:** Используются готовые экшены или скрипты (например, `coderabbit.ai`, `pr-agent` от Codium или опенсорсные аналоги). - **Процесс:** Claude пишет код и создает Pull Request. Скрипт в CI ловит это событие, отправляет диф (diff) в API другой модели (например, **GPT-4o** или **Llama 3**) с системным промптом: «Ты — эксперт по безопасности, проверь этот код на уязвимости». - **Результат:** Вторая LLM оставляет комментарии прямо в PR. 2\. Подход «Разделение ролей» Чтобы проверка была качественной, другой модели дают узкую специализацию. Не просите её просто «проверить». Дайте конкретный фокус: - **Модель A (Claude):** Пишет функционал и логику. - **Модель B (например, GPT-4o):** Ищет только ошибки в типах, потенциальные утечки памяти или несоответствие стилю (Style Guide). - **Модель C (например, DeepSeek Coder):** Пишет модульные тесты на этот код. Если тесты не проходят — значит, в коде Claude была ошибка. 3\. Использование локальных моделей (для приватности) Если код чувствительный, многие разворачивают локальную LLM через **Ollama** или **vLLM**. - Вы можете настроить локальную **Llama 3 (70B)** или **Phind-CodeLlama**, которая будет «подглядывать» за тем, что генерирует Claude, и сигнализировать, если код выглядит подозрительно. 4\. Промпт-инжиниринг для ревьюера Важно, чтобы «ревьюер» не знал, что код написала другая нейронка (это убирает предвзятость). Типовой промпт для второй модели: > "Перед тобой PR от разработчика. Проанализируй изменения. Найди логические ошибки, проблемы с производительностью и предложи 3 улучшения. Будь строг, но конструктивен." С какими моделями лучше «спаривать» Claude? - **Claude + GPT-4o:** Классика. У них разный «стиль мышления», и они часто находят ошибки друг за другом. - **Claude + DeepSeek V3:** Отличное сочетание для Python/C++, так как DeepSeek очень силен именно в кодинге и часто дешевле. - **Claude + Sonar (Perplexity):** Если код завязан на свежих библиотеках, которые вышли месяц назад (Sonar умеет ходить в интернет и проверять актуальность API). **С какого стека технологий (язык программирования, гит-хостинг) ты хочешь начать настройку такой связки?** В ответах искусственного интеллекта могут быть ошибки. [Learn more](https://support.google.com/websearch?p=aimode) Создание общедоступной ссылки… Показать все Автоматизация через CI/CD (Самый популярный путь) - а еще пути есть? ЧТобы без пулл-реквестов? Если мы убираем этап Pull Request и CI/CD, значит, мы переносим взаимодействие на уровень **IDE** (среды разработки) или **локальных скриптов**. Это делает цикл обратной связи мгновенным: вы еще не отправили код в репозиторий, а «второе мнение» уже получено. Вот основные способы организовать это «на лету»: 1\. Расширения для IDE с поддержкой разных моделей (Continue.dev / Void) Это самый удобный «ручной» способ. - **Как это работает:** Вы устанавливаете плагин (например, **Continue** для VS Code или JetBrains). В нем можно настроить сразу несколько API-ключей. - **Процесс:** Вы просите Claude (через встроенный чат или автодополнение) написать функцию. Затем выделяете этот код, нажимаете горячую клавишу, переключаете модель на **GPT-4o** или **DeepSeek** прямо в выпадающем списке и выбираете команду `/verify` или `/review`. - **Плюс:** Не нужно переключаться между вкладками браузера, код проверяется мгновенно. 2\. Локальные CLI-утилиты (скрипты «надсмотрщики») Вы можете написать простой Python-скрипт или использовать готовые CLI-инструменты (например, **Aider**), которые работают в терминале. - **Процесс:** Вы сохраняете код, написанный Клодом, в файл. В терминале запускаете команду: `check-code --file logic.py --model gpt4`. - **Автоматизация:** Можно настроить **Git Hooks** (pre-commit hook). Когда вы пытаетесь сделать `git commit`, скрипт автоматически отправляет изменения во вторую LLM. Если она находит критические баги, коммит блокируется до тех пор, пока вы не подтвердите, что всё ок. 3\. "Multi-Agent" системы (CrewAI / AutoGen) Это более продвинутый уровень, где вы создаете «чат» между двумя нейронками прямо у себя на компьютере. - **Организация:** Вы запускаете локальный оркестратор. - **Роли:** Одной модели (Claude) дается задача «Напиши код», а второй (например, Llama 3 локально) — задача «Ты суровый техлид, критикуй каждый символ». - **Результат:** В консоли вы видите диалог двух моделей. Они спорят, пока код не станет идеальным, и только финальный вариант сохраняется в файл. 4\. Использование платформ-агрегаторов (Poe / TypingMind) Если не хочется возиться с плагинами, используются веб-интерфейсы, где несколько моделей доступны в одном окне. - **Процесс:** В **TypingMind** можно создать чат, где подключены обе модели. Вы отправляете промпт, Claude генерирует ответ, а вы одной кнопкой пересылаете этот ответ в соседнюю ветку чата для GPT-4 с просьбой провести аудит. Резюме по инструментам: - **Continue.dev** — если хотите проверять код прямо в процессе написания в VS Code. - **Aider** — если любите работать через терминал и хотите, чтобы LLM сама правила файлы. - **Git Hooks** — если хотите «мини-CI» прямо на своей машине, чтобы не пропускать плохой код в историю правок. Какой из этих вариантов ближе к твоему привычному рабочему процессу — **редактор кода** или **терминал**? В ответах искусственного интеллекта могут быть ошибки. [Learn more](https://support.google.com/websearch?p=aimode) Создание общедоступной ссылки… Показать все Git Hooks интересно Git Hooks — это скрипты, которые Git запускает автоматически при определенных действиях (например, перед каждым коммитом). Это идеальная «точка контроля», чтобы плохой код даже не попадал в вашу локальную историю. Для ревью кода лучше всего подходит хук **`pre-commit`**. Вот как это организовать по шагам: 1\. Как это работает технически Когда вы пишете `git commit -m "feat: add logic"`, Git запускает скрипт. Скрипт берет ваш измененный код, отправляет его по API во вторую LLM (например, GPT-4o или DeepSeek) и ждет ответа. Если LLM находит ошибки — коммит прерывается. 2\. Реализация (простой пример на Python) Вам понадобится скрипт-прослойка. Можно использовать библиотеку `pre-commit` (наиболее стандартный путь в индустрии). **Файл `.pre-commit-config.yaml` в корне проекта:** ``` repos: - repo: local hooks: - id: llm-code-review name: LLM Code Review entry: python scripts/llm_check.py language: python stages: [commit] types: [python] # или другие языки ``` **Скрипт `scripts/llm_check.py` (логика):** Скрипт должен: 1. Получить список измененных строк (`git diff --cached`). 2. Отправить их в API (через `openai` или `anthropic` SDK). 3. Если в ответе от LLM есть ключевое слово (например, "FAIL" или "CRITICAL"), скрипт делает `sys.exit(1)`, и коммит не проходит. 3\. Готовые инструменты Чтобы не писать всё с нуля, можно использовать существующие обертки: - **Llint:** Специальная утилита, которая работает как линтер, но на базе LLM. Её легко добавить в хуки. - **[Aider](https://aider.chat/):** Хотя это полноценный AI-программист, его можно вызвать из скрипта для проверки текущих изменений перед фиксацией. 4\. Плюсы и минусы такого подхода **Плюсы:** - **Гарантия чистоты:** В репозиторий не попадет код, который не прошел «вторую пару глаз». - **Локальность:** Вы узнаете об ошибке через 5 секунд, а не через 5 минут после прогона CI на сервере. **Нюансы:** - **Задержка:** Коммит будет занимать чуть больше времени (пока ждем ответ от API). - **Стоимость:** Каждый `git commit` будет тратить несколько центов (токенов). - **Ложные срабатывания:** Если LLM ошиблась и заблокировала коммит, вам придется использовать флаг `git commit --no-verify`, чтобы обойти проверку. С чего лучше начать? Если хочешь попробовать «на коленке», я могу набросать **готовый Python-скрипт**, который будет брать твои изменения и отправлять их на проверку в OpenAI или любую другую модель через LiteLLM. **Нужен пример такого скрипта или помочь настроить сам механизм Git Hooks?** В ответах искусственного интеллекта могут быть ошибки. [Learn more](https://support.google.com/websearch?p=aimode) Создание общедоступной ссылки… Показать все Приложения Google Аккаунт Google Victor Kuznetsov vitya.kuznetsov@gmail.com