面向企业管道的 grounding AI 代码审查：大模型资源高效部署

自动化代码审查在合规性严格的场景中采用率滞后，静态分析器产生高产量、低理由输出，盲目使用大型语言模型(LLM)风险会导致幻觉并增加成本开销。我们提出一种面向PR原生审查的 grounding 系统，搭配AST引导的上下文提取和单GPU按需部署堆栈（量化开源权重模型、多级缓存），提供简洁的解释和纠错指导。该系统在针对安全导向的C/C++标准进行评估时，实现了中位59.8秒的首次反馈（离线p50构建+LLM），同时保持竞争的违规降低率和更低的违规率，优于更大的专有模型。该架构解耦：团队可独立采用 grounding/提示层或部署层。一项规模为8人的内部调查提供了关于减少 triage 工作量和适度感知 grounding 的方向性信号，参与者报告称人工审查迭代次数减少。我们概述了操作经验教训和局限性，强调可复现性、可审计性，以及拓展至更多标准和辅助修补的路径。