O que é Open Code Review?
O Open Code Review (o comando ocr) é a versão de código aberto do assistente de revisão com IA que a Alibaba diz usar internamente há dois anos. Ele lê um diff do Git, decide de forma determinística quais arquivos precisam de revisão, agrupa arquivos relacionados em unidades que rodam cada uma como um subagente isolado, associa regras de revisão a cada arquivo e deixa um agente LLM ler o código ao redor antes de escrever comentários estruturados por linha. O ocr scan revisa arquivos inteiros quando não há um diff relevante.
Ele funciona com qualquer endpoint compatível com OpenAI ou Anthropic, ou, no modo de delegação, entrega a revisão ao próprio modelo do seu agente de código enquanto cuida da seleção de arquivos e das regras. Há plugins para Claude Code, Codex, Cursor, Kimi Code e OpenCode, e receitas de CI para GitHub Actions, GitLab CI, GitFlic e Gerrit. Um conjunto de regras embutido mira defeitos de ponteiro nulo, segurança de threads, XSS e injeção de SQL.
O repositório foi criado em maio de 2026, é escrito em Go sob Apache-2.0, tem cerca de 49.200 estrelas no GitHub e está na v1.13.3 (22 de outubro de 2026), instalada com npm install -g @alibaba-group/open-code-review.
Open Code Review vale a pena?
O Open Code Review parte de um diagnóstico preciso: um agente de código genérico, quando revisa uma mudança grande, pula arquivos, posiciona comentários no lugar errado e varia com pequenas mudanças no prompt. Sua resposta é tirar do modelo as etapas que não podem dar errado. O código decide quais arquivos são revisados, agrupa os relacionados (um par de arquivos de propriedades message_en e message_zh vai junto), escolhe as regras de cada um e confere as posições dos comentários em um módulo separado. Ao modelo cabe ler o contexto e julgar.
O benchmark do próprio projeto sustenta a troca, com a ressalva de sempre de que é autodeclarado. O AACR-Bench, publicado no Hugging Face, usa 200 pull requests reais de 50 repositórios de código aberto em 10 linguagens, com 1.505 problemas anotados por mais de 80 engenheiros. Contra o Claude Code com o mesmo modelo, o OCR relata precisão e F1 maiores com cerca de um nono dos tokens, e declara abertamente que seu recall é menor. Para uma equipe soterrada por comentários de bots, essa é a direção certa para errar.
Na operação, ele se comporta bem. A telemetria vem desligada por padrão e, quando ligada, exporta OpenTelemetry para um coletor que você escolhe. As sessões podem ser retomadas, os resultados gravados em JSON, e um visualizador no navegador marca achados como corrigidos ou ignorados. O modo de delegação é a porta de entrada mais barata: nenhuma chave de API extra, porque seu agente atual faz a leitura.
As ressalvas são ritmo e adequação. Com sete meses, 367 issues e pull requests abertos e uma versão menor quase toda semana, ele anda mais rápido do que a maioria das ferramentas de CI deveria. O modelo precisa suportar tool calling nativo, o que exclui modelos de raciocínio como o deepseek-r1, que narram as chamadas em texto. Contra revisores hospedados como o CodeRabbit, ele oferece controle do modelo e do caminho dos dados, e perde o painel gerenciado e o aprendizado sobre o repositório inteiro.
Onde ele se destaca
Uma equipe de plataforma de 12 engenheiros Java no GitLab
Adicionar revisão por IA a todo merge request sem inundá-lo de ruído
Rode ocr review no GitLab CI sobre o intervalo a partir do merge-base, contra um endpoint interno compatível com OpenAI; as regras embutidas pegam defeitos de ponteiro nulo e de segurança de threads. O uso de tokens é informado por revisão, então dá para acompanhar o custo por merge request.
Um desenvolvedor solo que já paga pelo Claude Code
Ter uma segunda revisão antes de abrir um pull request
Instale o plugin do Claude Code e use o modo de delegação, para que o OCR escolha arquivos e regras enquanto o Claude faz a leitura. Sem conta de API extra; o tempo de revisão sai dos limites da assinatura existente.
Um engenheiro de segurança que herda um serviço desconhecido
Auditar o código em busca de injeção e XSS sem um diff útil
Rode ocr scan --path no diretório do serviço com saída JSON e depois faça a triagem dos achados no visualizador de sessões. A afinação voltada à precisão significa menos alarmes falsos, mas nenhuma promessa de cobertura completa.
Antes de decidir
- Configuração
- npm install -g @alibaba-group/open-code-review (ou um binário de lançamento), Git 2.41 ou mais recente, depois ocr config provider e ocr config model; a primeira revisão é ocr review dentro de um repositório. As variáveis ANTHROPIC_BASE_URL e ANTHROPIC_AUTH_TOKEN existentes são lidas automaticamente.
- Integrações
- Endpoints compatíveis com OpenAI e Anthropic, Ollama com modelos que suportam ferramentas; plugins para Claude Code, Codex, Cursor, Kimi Code, OpenCode e uma skill de agente portátil; GitHub Actions, GitLab CI, GitFlic CI e Gerrit; servidores MCP para ampliar o agente; uma extensão IntelliJ no repositório.
- Dados e privacidade
- Os arquivos alterados e o contexto que o agente lê vão só para o endpoint LLM configurado; a configuração fica em ~/.opencodereview/config.json. A telemetria vem desligada por padrão e só vai para um coletor OTLP que você define. Apache-2.0.
- Custo em escala
- Sem edição paga. O custo são tokens de LLM por revisão, que o fornecedor estima em cerca de um nono dos de um agente genérico no seu benchmark; o modo de delegação passa o custo para uma assinatura de agente de código existente.
- Limites
- O recall é deliberadamente menor que o de um agente genérico; modelos sem function calling nativo ficam em loop até o Max tool requests; ritmo de lançamentos acelerado; benchmark não replicado de forma independente.
O que é bom
- Seleção e agrupamento determinísticos de arquivos em diffs grandes
- Ganho de precisão autodeclarado com cerca de 1/9 dos tokens
- O modo de delegação reaproveita o modelo do seu agente de código
- Telemetria desligada por padrão; OpenTelemetry quando ativada
O que não é
- Recall menor por projeto; deixa passar mais que um agente genérico
- O benchmark é do próprio fornecedor
- Exige tool calling nativo; alguns modelos locais falham
- 367 issues e pull requests abertos, lançamentos semanais
Ideal para
Equipes de engenharia que querem revisão por IA precisa e ancorada em linhas, no CI ou no terminal, com um modelo e um endpoint que elas controlam.
Alternativas ao Open Code Review
Open Code Review: perguntas frequentes
- Open Code Review vale a pena?
- O Open Code Review corrige as falhas específicas dos agentes de código na revisão, arquivos pulados e números de linha que se desalinham, e troca um pouco de recall por comentários que valem a leitura. Damos nota 4.1 de 5.
- Quanto custa Open Code Review?
- Gratuito e de código aberto (Apache-2.0). Você paga pelo endpoint LLM que configurar; o modo de delegação usa o modelo que seu agente de código já tem.
- Quais são as desvantagens de Open Code Review?
- Recall menor por projeto; deixa passar mais que um agente genérico; o benchmark é do próprio fornecedor; exige tool calling nativo; alguns modelos locais falham; 367 issues e pull requests abertos, lançamentos semanais.
- Para quem Open Code Review é indicado?
- Equipes de engenharia que querem revisão por IA precisa e ancorada em linhas, no CI ou no terminal, com um modelo e um endpoint que elas controlam.
- Quanto custa Open Code Review para uma equipe ou em produção?
- Sem edição paga. O custo são tokens de LLM por revisão, que o fornecedor estima em cerca de um nono dos de um agente genérico no seu benchmark; o modo de delegação passa o custo para uma assinatura de agente de código existente.
- Open Code Review é seguro para dados da empresa?
- Os arquivos alterados e o contexto que o agente lê vão só para o endpoint LLM configurado; a configuração fica em ~/.opencodereview/config.json. A telemetria vem desligada por padrão e só vai para um coletor OTLP que você define. Apache-2.0.
- Quais são as melhores alternativas ao Open Code Review?
- As alternativas mais próximas que analisamos são OpenAI Codex CLI e OpenCode.
Respostas verificadas em 31 de out. de 2026.