Open Code Review (OCR) — 완전 가이드

알리바바 그룹이 2년간 내부 검증 후 오픈소스화한 하이브리드 AI 코드 리뷰 CLI
Apache 2.0 | GitHub: alibaba/open-code-review

프로젝트 개요
아키텍처 상세
설치
LLM 설정 — 클라우드 API
LLM 설정 — 로컬 모델 (DeepSeek / Qwen / Ollama)
기본 사용법 및 명령어 레퍼런스
리뷰 규칙 커스터마이징
CI/CD 통합
AI 에이전트 통합 (Claude Code / Codex)
설정 레퍼런스 전체
장점 및 단점 분석
모델 선택 가이드
적합한 팀 유형

1. 프로젝트 개요

Open Code Review(이하 OCR)는 알리바바 그룹이 내부에서 2년간 운영하며 검증한 AI 코드 리뷰 도구를 오픈소스화한 CLI 프로젝트다. 내부 운영 기간 동안 2만 명 이상의 개발자가 사용했으며, 100만 건 이상의 코드 결함을 탐지했다. Git diff를 읽어 변경된 파일을 설정된 LLM에 전달하고, 라인 수준의 정밀한 리뷰 코멘트를 생성한다.

핵심 설계 철학은 "결정적 엔지니어링(Deterministic Engineering) + LLM 에이전트"의 하이브리드 아키텍처다. 반드시 정확해야 하는 처리 단계는 엔지니어링 로직이 담당하고, 동적 판단이 필요한 부분만 LLM 에이전트에 위임한다.

지표	수치
내부 사용 기간	2년
누적 사용 개발자	2만 명 이상
누적 결함 탐지	100만 건 이상
순수 LLM 대비 토큰 절감	약 80%
F1 성능 향상	26.1%
라이선스	Apache 2.0

2. 아키텍처 상세

일반 AI 에이전트의 한계

Claude Code나 범용 에이전트를 코드 리뷰에 직접 사용하면 다음 문제가 반복적으로 발생한다.

불완전한 커버리지: 변경 파일이 많은 PR에서 일부 파일을 임의로 생략한다.
위치 이탈(Position Drift): 보고된 이슈의 라인 번호 또는 파일 참조가 실제와 어긋난다.
품질 불안정: 프롬프트의 사소한 변동으로 리뷰 품질이 크게 달라진다.

OCR은 이 세 가지 문제를 아키텍처 수준에서 해결한다.

결정적 엔지니어링 계층 (Deterministic Engineering)

반드시 정확해야 하는 단계는 LLM이 아닌 엔지니어링 로직이 보장한다.

기능	설명
정밀 파일 선택	리뷰 대상 파일을 정확히 결정하고 불필요한 파일을 필터링. 중요 변경사항 누락 방지
스마트 파일 번들링	연관 파일을 하나의 리뷰 단위로 묶음 (예: `message_en.properties` + `message_zh.properties`). 각 번들은 독립 컨텍스트의 서브 에이전트로 실행
세밀한 규칙 매칭	각 파일의 특성에 맞는 리뷰 규칙을 매칭. 정보 노이즈를 제거하고 모델 집중도 향상
위치 보정 모듈	독립적인 코멘트 포지셔닝·반성(reflection) 모듈로 AI 피드백의 위치 정확성과 내용 정확성을 체계적으로 개선

LLM 에이전트 계층

동적 판단과 컨텍스트 검색이 필요한 부분을 담당한다.

코드 리뷰에 최적화된 시나리오별 프롬프트 템플릿
대규모 프로덕션 데이터의 도구 호출 흔적 분석으로 구성된 전문화된 툴셋
실시간 코드베이스 검색, 파일 전체 내용 읽기, 변경된 다른 파일 교차 참조

3. 설치

NPM (권장)

npm install -g @alibaba-group/open-code-review

설치 후 ocr 명령어가 전역에서 사용 가능해진다.

바이너리 직접 다운로드

# macOS (Apple Silicon / M1~M4)
curl -Lo ocr https://github.com/alibaba/open-code-review/releases/latest/download/opencodereview-darwin-arm64
chmod +x ocr && sudo mv ocr /usr/local/bin/ocr

# macOS (Intel)
curl -Lo ocr https://github.com/alibaba/open-code-review/releases/latest/download/opencodereview-darwin-amd64
chmod +x ocr && sudo mv ocr /usr/local/bin/ocr

# Linux (x86_64)
curl -Lo ocr https://github.com/alibaba/open-code-review/releases/latest/download/opencodereview-linux-amd64
chmod +x ocr && sudo mv ocr /usr/local/bin/ocr

# Linux (ARM64)
curl -Lo ocr https://github.com/alibaba/open-code-review/releases/latest/download/opencodereview-linux-arm64
chmod +x ocr && sudo mv ocr /usr/local/bin/ocr

소스 빌드

git clone https://github.com/alibaba/open-code-review.git
cd open-code-review
make build
sudo cp dist/opencodereview /usr/local/bin/ocr

4. LLM 설정 — 클라우드 API

OCR은 OpenAI 호환 엔드포인트와 Anthropic 네이티브 API를 모두 지원한다. 설정 파일은 ~/.opencodereview/config.json에 저장된다. 환경 변수가 설정 파일보다 우선 적용된다.

Anthropic (Claude)

ocr config set llm.url https://api.anthropic.com/v1/messages
ocr config set llm.auth_token sk-ant-xxxxxxx
ocr config set llm.model claude-opus-4-6
ocr config set llm.use_anthropic true

Claude Code 사용자라면 ANTHROPIC_BASE_URL, ANTHROPIC_AUTH_TOKEN, ANTHROPIC_MODEL 환경 변수를 ~/.zshrc 또는 ~/.bashrc에서 자동으로 인식하므로 별도 설정이 불필요하다.

권장 모델:

모델	용도
`claude-opus-4-6`	최고 품질 리뷰, 복잡한 아키텍처 분석
`claude-sonnet-4-6`	비용·성능 균형, 일상적인 PR 리뷰

OpenAI (ChatGPT)

ocr config set llm.url https://api.openai.com/v1/chat/completions
ocr config set llm.auth_token sk-xxxxxxx
ocr config set llm.model gpt-4o
ocr config set llm.use_anthropic false

권장 모델:

모델	용도
`gpt-4o`	코드 리뷰 기본 추천
`o3`	복잡한 보안 취약점 분석
`gpt-4.1-mini`	비용 절감이 필요한 환경

DeepSeek Cloud API

DeepSeek은 OpenAI 호환 API를 제공하므로 use_anthropic false로 설정한다.

ocr config set llm.url https://api.deepseek.com/v1/chat/completions
ocr config set llm.auth_token sk-xxxxxxx
ocr config set llm.model deepseek-coder
ocr config set llm.use_anthropic false

권장 모델:

모델	특징
`deepseek-coder`	코드 특화, 비용 효율 우수
`deepseek-reasoner`	복잡한 로직 분석 및 추론 강점

Alibaba DashScope (Qwen Cloud)

ocr config set llm.url https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
ocr config set llm.auth_token sk-xxxxxxx
ocr config set llm.model qwen-coder-turbo
ocr config set llm.use_anthropic false

5. LLM 설정 — 로컬 모델 (DeepSeek / Qwen / Ollama)

로컬 LLM을 사용하면 코드가 외부 API로 전송되지 않아 완전한 데이터 프라이버시를 보장한다. OCR은 OpenAI 호환 엔드포인트를 로컬에서 노출하는 모든 런타임(Ollama, LM Studio, vLLM 등)을 지원한다.

5-1. Ollama 기반 설정 (범용)

Ollama는 로컬 LLM을 가장 간단하게 실행하는 방법이다. 설치 후 자동으로 http://localhost:11434에 OpenAI 호환 엔드포인트를 노출한다.

# Ollama 설치 (macOS)
brew install ollama

# Ollama 설치 (Linux)
curl -fsSL https://ollama.com/install.sh | sh

# 백그라운드 서버 시작
ollama serve &

OCR에 Ollama 연결:

ocr config set llm.url http://localhost:11434/v1/chat/completions
ocr config set llm.auth_token ollama
ocr config set llm.model qwen2.5-coder:32b
ocr config set llm.use_anthropic false

auth_token 값은 임의 문자열로 설정해도 무방하다. Ollama는 로컬에서 토큰 검증을 하지 않는다.

5-2. DeepSeek 로컬 실행

Ollama로 DeepSeek 실행

# DeepSeek-R1 (추론 특화, 코드 리뷰에 적합)
ollama pull deepseek-r1:14b    # 약 9GB VRAM
ollama pull deepseek-r1:32b    # 약 20GB VRAM
ollama pull deepseek-r1:70b    # 약 48GB VRAM 이상

# DeepSeek Coder V2 (코드 특화)
ollama pull deepseek-coder-v2:16b    # 약 10GB VRAM
ollama pull deepseek-coder-v2:236b   # 약 130GB VRAM, 최고 품질

# 컨텍스트 창 확장 (agentic 워크플로에 필수)
ollama run deepseek-r1:14b
>>> /set parameter num_ctx 32768
>>> /save deepseek-r1-14b-32k

OCR 설정:

ocr config set llm.url http://localhost:11434/v1/chat/completions
ocr config set llm.auth_token ollama
ocr config set llm.model deepseek-r1:14b
ocr config set llm.use_anthropic false

vLLM으로 DeepSeek 실행 (고성능 GPU 서버 환경)

docker pull vllm/vllm-openai:latest

# DeepSeek-R1 14B (약 30GB VRAM 필요)
docker run --runtime nvidia --gpus all \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model deepseek-ai/DeepSeek-R1-Distill-Qwen-14B \
  --tensor-parallel-size 1

OCR 설정:

ocr config set llm.url http://localhost:8000/v1/chat/completions
ocr config set llm.auth_token vllm
ocr config set llm.model deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
ocr config set llm.use_anthropic false

LM Studio로 DeepSeek 실행 (GUI 환경)

lmstudio.ai에서 LM Studio 설치
"Discover" 탭에서 deepseek-r1 검색 후 원하는 사이즈 다운로드
"Local Server" 탭에서 서버 시작 (기본 포트: 1234)

OCR 설정:

ocr config set llm.url http://localhost:1234/v1/chat/completions
ocr config set llm.auth_token lm-studio
ocr config set llm.model deepseek-r1-distill-qwen-14b
ocr config set llm.use_anthropic false

5-3. Qwen (Qwen2.5-Coder / Qwen3) 로컬 실행

Qwen 시리즈는 코드 생성 및 리뷰에서 동급 최강의 오픈소스 성능을 보여준다. 특히 Qwen2.5-Coder 32B는 HumanEval 기준 92.1%를 달성하며 Claude Sonnet 4.6(89.4%)을 상회한다.

# Qwen2.5-Coder (코드 특화 — 코드 리뷰 1순위 추천)
ollama pull qwen2.5-coder:7b     # 약 5GB VRAM, 빠른 응답
ollama pull qwen2.5-coder:14b    # 약 9GB VRAM, 균형
ollama pull qwen2.5-coder:32b    # 약 20GB VRAM, 최고 품질

# Qwen3 (범용 최신 모델, 2026년 2월 출시)
ollama pull qwen3:8b
ollama pull qwen3:32b

# 컨텍스트 창 확장 (256K 지원 모델 기준)
ollama run qwen2.5-coder:32b
>>> /set parameter num_ctx 32768
>>> /save qwen2.5-coder-32b-32k

OCR 설정:

ocr config set llm.url http://localhost:11434/v1/chat/completions
ocr config set llm.auth_token ollama
ocr config set llm.model qwen2.5-coder:32b
ocr config set llm.use_anthropic false

5-4. 로컬 LLM 하드웨어 요구사항

모델	VRAM	속도 (토큰/초)	권장 용도
DeepSeek-R1 14B	9GB	25~40	개인 개발자 노트북, 추론 강점
Qwen2.5-Coder 7B	5GB	40~60	경량 환경, 빠른 PR 리뷰
Qwen2.5-Coder 14B	9GB	25~35	균형형 추천
Qwen2.5-Coder 32B	20GB	15~25	고품질 코드 리뷰, 엔터프라이즈
DeepSeek-R1 32B	20GB	10~18	복잡한 보안 분석
DeepSeek Coder V2 236B	130GB+	8~12	최고 품질, GPU 서버 전용

Q4 양자화를 사용하면 VRAM을 약 60% 절감하고 품질 손실은 약 2% 수준이다. Ollama는 모델 pull 시 자동으로 양자화를 적용한다.

5-5. 연결 테스트

# LLM 연결 확인 (클라우드 및 로컬 공통)
ocr llm test

6. 기본 사용법 및 명령어 레퍼런스

주요 리뷰 명령어

# 현재 변경사항 리뷰 (staged + unstaged + untracked 전체)
ocr review

# 브랜치 간 비교 리뷰
ocr review --from main --to feature-auth

# 특정 커밋 리뷰
ocr review --commit abc123

# LLM 호출 없이 리뷰 대상 파일만 미리 확인
ocr review --preview
ocr review --commit abc123 --preview

# JSON 출력 (CI/CD 파이프라인, 스크립트 파싱용)
ocr review --format json --audience agent

# 커스텀 규칙 파일 적용
ocr review --rule /path/to/my-rules.json

# 동시 리뷰 파일 수 조정
ocr review --from main --to my-feature --concurrency 4

전체 명령어 목록

명령어	별칭	설명
`ocr review`	`ocr r`	코드 리뷰 시작
`ocr rules check <file>`	—	해당 파일에 적용되는 규칙 미리 확인
`ocr config set <key> <value>`	—	설정 값 변경
`ocr llm test`	—	LLM 연결 테스트
`ocr viewer`	`ocr v`	브라우저 기반 세션 뷰어 실행 (`localhost:5483`)
`ocr version`	—	버전 정보 출력

`ocr review` 주요 플래그

플래그	기본값	설명
`--repo`	현재 디렉토리	Git 저장소 루트 경로
`--from`	—	비교 기준 ref (예: `main`)
`--to`	—	비교 대상 ref (예: `feature-branch`)
`--commit`, `-c`	—	단일 커밋 리뷰
`--preview`, `-p`	`false`	LLM 호출 없이 리뷰 대상 파일만 확인
`--format`, `-f`	`text`	출력 형식: `text` 또는 `json`
`--concurrency`	`8`	파일 동시 리뷰 최대 수
`--timeout`	`10`	동시 작업 타임아웃 (분)
`--audience`	`human`	`human` (진행 상황 표시) / `agent` (요약만 출력)
`--rule`	—	커스텀 리뷰 규칙 JSON 파일 경로
`--max-tools`	내장 기본값	파일당 최대 도구 호출 횟수
`--tools`	—	커스텀 도구 설정 JSON 파일 경로

7. 리뷰 규칙 커스터마이징

OCR은 4단계 우선순위 체계로 규칙을 적용한다. 각 단계에서 파일 경로가 패턴에 처음 매칭되면 그 규칙을 적용하고, 매칭되지 않으면 다음 단계로 내려간다.

우선순위	소스	경로	설명
1 (최고)	`--rule` 플래그	사용자 지정 경로	CLI 명시 오버라이드
2	프로젝트 설정	`<repoDir>/.opencodereview/rule.json`	프로젝트별 규칙, git에 커밋 가능
3	전역 설정	`~/.opencodereview/rule.json`	개인 전역 설정
4 (최저)	시스템 기본값	내장 `system_rules.json`	NPE, XSS, SQL Injection 등 공통 규칙

규칙 파일 형식

{
  "rules": [
    {
      "path": "src/main/java/**/*.java",
      "rule": "모든 신규 메서드의 필수 파라미터는 null 값을 검증해야 합니다"
    },
    {
      "path": "**/*mapper*.xml",
      "rule": "SQL Injection 위험, 파라미터 오류, 닫는 태그 누락을 확인하세요"
    },
    {
      "path": "src/**/*.{ts,tsx}",
      "rule": "비동기 함수의 에러 처리와 Promise 체인 누락을 확인하세요"
    }
  ]
}

path는 ** 재귀 매칭과 {java,kt} 중괄호 확장을 지원한다.
각 레이어 내에서는 선언 순서대로 평가하며 첫 번째 매칭이 적용된다.
규칙 파일이 존재하지 않으면 조용히 건너뛴다.

특정 파일에 어떤 규칙이 적용되는지 사전 확인:

ocr rules check src/main/java/com/example/UserService.java
ocr rules check --rule custom.json src/main/resources/mapper/UserMapper.xml

8. CI/CD 통합

GitHub Actions

# .github/workflows/code-review.yml
name: AI Code Review

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0

      - name: Install OCR
        run: npm install -g @alibaba-group/open-code-review

      - name: Run Code Review
        env:
          OCR_LLM_URL: https://api.anthropic.com/v1/messages
          OCR_LLM_TOKEN: ${{ secrets.ANTHROPIC_API_KEY }}
          OCR_LLM_MODEL: claude-sonnet-4-6
          OCR_USE_ANTHROPIC: "true"
        run: |
          ocr review \
            --from "origin/${{ github.base_ref }}" \
            --to "origin/${{ github.head_ref }}" \
            --format json \
            --audience agent

GitLab CI

# .gitlab-ci.yml
code-review:
  stage: test
  image: node:20
  before_script:
    - npm install -g @alibaba-group/open-code-review
  script:
    - ocr review
        --from "origin/${CI_MERGE_REQUEST_TARGET_BRANCH_NAME}"
        --to "origin/${CI_MERGE_REQUEST_SOURCE_BRANCH_NAME}"
        --format json
        --audience agent
  variables:
    OCR_LLM_URL: "https://api.openai.com/v1/chat/completions"
    OCR_LLM_TOKEN: $OPENAI_API_KEY
    OCR_LLM_MODEL: "gpt-4o"
    OCR_USE_ANTHROPIC: "false"
  rules:
    - if: $CI_PIPELINE_SOURCE == "merge_request_event"

범용 CI 스크립트 패턴

ocr review \
  --from "origin/main" \
  --to "origin/feature-branch" \
  --format json \
  --audience agent

--format json + --audience agent 조합은 CI 스크립트에서 파싱 가능한 구조화된 출력을 반환한다. GitHub Marketplace에도 Actions로 게시되어 있다.

9. AI 에이전트 통합 (Claude Code / Codex)

OCR을 AI 코딩 에이전트의 슬래시 커맨드로 통합하면 에이전트 워크플로 내에서 직접 코드 리뷰를 실행할 수 있다.

방법 1: Skill로 설치

npx skills add alibaba/open-code-review --skill open-code-review

코딩 에이전트가 ocr을 호출하는 방법, 이슈 우선순위 분류, 자동 수정 옵션을 학습한다.

방법 2: Claude Code 플러그인 설치

Claude Code 내에서 다음 명령어를 실행한다:

/plugin marketplace add alibaba/open-code-review
/plugin install open-code-review@open-code-review

설치 후 /open-code-review:review 슬래시 커맨드로 OCR을 실행하고, 이슈 자동 필터링 및 수정까지 처리한다.

방법 3: 커맨드 파일 직접 복사

패키지 매니저 없이 빠르게 설정하는 방법이다.

# 프로젝트 단위 (팀 공유, git 커밋 가능)
mkdir -p .claude/commands
curl -o .claude/commands/open-code-review.md \
  https://raw.githubusercontent.com/alibaba/open-code-review/main/plugins/open-code-review/commands/review.md

# 사용자 단위 (전체 프로젝트에서 개인 사용)
mkdir -p ~/.claude/commands
curl -o ~/.claude/commands/open-code-review.md \
  https://raw.githubusercontent.com/alibaba/open-code-review/main/plugins/open-code-review/commands/review.md

OpenAI Codex 통합

# Codex 플러그인 마켓플레이스에서 설치
codex plugin marketplace add alibaba/open-code-review
codex /plugins

설치 후 Codex에서 다음과 같이 사용한다:

@Open Code Review review my current changes
@Open Code Review review this branch against main
@Open Code Review review and fix high-confidence issues

모든 통합 방법의 전제 조건: ocr CLI 설치 + LLM 설정 완료가 필요하다. OCR의 내부 LLM 백엔드는 에이전트 통합 방식과 무관하게 독립적으로 동작한다.

10. 설정 레퍼런스 전체

설정 파일 경로: ~/.opencodereview/config.json

설정 키 목록

키	타입	예시	설명
`llm.url`	string	`https://api.openai.com/v1/chat/completions`	LLM API 엔드포인트
`llm.auth_token`	string	`sk-xxxxxxx`	API 키 / 인증 토큰
`llm.model`	string	`claude-opus-4-6`	모델 이름
`llm.use_anthropic`	boolean	`true` / `false`	Anthropic 네이티브 API 여부
`language`	string	`English` / `Chinese`	리뷰 출력 언어 (기본값: Chinese)
`telemetry.enabled`	boolean	`true` / `false`	텔레메트리 활성화
`telemetry.exporter`	string	`console` / `otlp`	텔레메트리 내보내기 방식
`telemetry.otlp_endpoint`	string	`localhost:4317`	OTLP 수집기 주소
`telemetry.content_logging`	boolean	—	텔레메트리에 LLM 프롬프트 포함 여부

환경 변수 목록

환경 변수는 설정 파일보다 높은 우선순위를 가진다.

환경 변수	설명
`OCR_LLM_URL`	LLM API 엔드포인트 URL
`OCR_LLM_TOKEN`	API 키 / 인증 토큰
`OCR_LLM_MODEL`	모델 이름
`OCR_USE_ANTHROPIC`	`true` = Anthropic, `false` = OpenAI 호환

Claude Code 환경 변수(ANTHROPIC_BASE_URL, ANTHROPIC_AUTH_TOKEN, ANTHROPIC_MODEL)도 자동 인식한다.

리뷰 출력 언어 변경

기본 출력 언어는 중국어다. 한국어 또는 영어로 변경하려면:

ocr config set language English
# 또는
ocr config set language Korean

텔레메트리 설정 (OpenTelemetry)

ocr config set telemetry.enabled true
ocr config set telemetry.exporter otlp
ocr config set telemetry.otlp_endpoint localhost:4317

telemetry.content_logging을 활성화하면 LLM 프롬프트와 응답이 내보내기 데이터에 포함된다. 기본값은 비활성화다.

11. 장점 및 단점 분석

장점

대규모 검증 (Battle-tested)2만 명 이상의 알리바바 내부 개발자가 2년간 사용하며 100만 건 이상의 결함을 탐지했다. SaaS가 아닌 CLI 도구이므로 코드와 데이터가 외부로 유출되지 않아 엔터프라이즈 보안 요구사항을 충족한다. 로컬 LLM과 결합하면 완전한 Air-gap 환경 구성도 가능하다.경제성 및 하이브리드 설계순수 LLM 에이전트 대비 토큰 사용량을 80% 절감한다. 일반 AI 코드 리뷰의 세 가지 고질적 문제(불완전한 커버리지, 위치 이탈, 품질 불안정)를 결정적 엔지니어링 레이어에서 구조적으로 해결했다.유연한 모델 지원OpenAI, Anthropic, DeepSeek, DashScope(Qwen), Ollama 등 OpenAI 호환 엔드포인트를 노출하는 모든 런타임을 지원한다. 클라우드와 로컬 LLM을 자유롭게 교체할 수 있다.CI/CD 및 에이전트 생태계 통합

GitHub Actions, GitLab CI 예제를 공식 제공한다. Claude Code, Codex 등 주요 AI 코딩 에이전트와 플러그인/스킬/커맨드 방식으로 통합된다.

단점 및 고려사항

LLM API 비용도구 자체는 Apache 2.0으로 무료이나 백엔드 LLM API 비용은 사용자 부담이다. 로컬 LLM으로 이 비용을 제거할 수 있으나 하드웨어 요구사항이 따른다.초기 환경 설정Claude Code 기존 사용자는 환경 변수를 자동 인식하므로 설정이 불필요하다. 그러나 신규 사용자는 LLM API 키, 엔드포인트, 모델 설정 과정을 거쳐야 한다. 로컬 LLM 사용 시 Ollama 설치 및 모델 다운로드(수 GB)가 추가로 필요하다.비즈니스 로직 한계내장 규칙과 커스텀 규칙으로 상당 부분 보완 가능하지만, 팀 고유의 비즈니스 로직이나 도메인 특화 컨벤션을 완벽히 이해하지는 못한다. 규칙 파일에 팀 특화 지침을 지속적으로 추가해나가는 운영이 필요하다.AI의 근본적 한계

고차원적인 아키텍처 설계 적합성과 비즈니스 요구사항의 완전한 부합 여부는 사람의 판단을 대체하기 어렵다. OCR은 리뷰어의 부담을 줄이는 보조 도구이지, 완전한 대체재가 아니다.

12. 모델 선택 가이드

상황	권장 모델	이유
최고 품질 리뷰, 비용 여유 있음	Claude Opus 4.6 (클라우드)	복잡한 컨텍스트 이해 및 아키텍처 분석
일상적 PR 리뷰, 비용 균형	Claude Sonnet 4.6 또는 GPT-4o	성능·비용 균형
코드 완전 외부 유출 불가	Qwen2.5-Coder 32B (Ollama)	로컬 실행, HumanEval 92.1%
복잡한 보안 취약점 분석	DeepSeek-R1 (로컬 또는 클라우드)	추론 특화 아키텍처
비용 최소화 (클라우드)	DeepSeek Coder API	코드 특화 + 낮은 API 단가
경량 로컬 환경 (8GB VRAM 이하)	Qwen2.5-Coder 7B	빠른 응답, 낮은 하드웨어 요구
GPU 서버 최고 품질	DeepSeek Coder V2 236B	HumanEval 95.7% (오픈소스 최고)

13. 적합한 팀 유형

대규모 코드베이스 운영 조직많은 파일이 동시에 변경되는 PR에서도 스마트 번들링과 파일 선택 로직이 누락 없이 전체를 커버한다. 범용 에이전트 대비 누락률이 구조적으로 낮다.보안 취약점 대응이 중요한 팀NPE, SQL Injection, XSS, Thread-Safety 등 고위험 결함을 리뷰 초기 단계에서 차단한다. 로컬 LLM과 결합하면 코드가 외부로 나가지 않는 완전 프라이빗 환경을 구성할 수 있다.AI 도입 비용에 민감한 팀80% 토큰 절감은 동일 예산으로 커버할 수 있는 리뷰 규모를 5배 늘린다. DeepSeek 클라우드 API나 Qwen 로컬 모델을 활용하면 비용을 추가로 절감할 수 있다.기존 리뷰 프로세스에 AI를 결합하려는 팀

OCR이 NPE, 보안 취약점, 코딩 컨벤션 위반을 1차 필터링하면, 사람 리뷰어는 아키텍처 설계와 비즈니스 로직 검토에 집중할 수 있다.

목차

1. 프로젝트 개요

2. 아키텍처 상세

일반 AI 에이전트의 한계

결정적 엔지니어링 계층 (Deterministic Engineering)

LLM 에이전트 계층

3. 설치

NPM (권장)

바이너리 직접 다운로드

소스 빌드

4. LLM 설정 — 클라우드 API

Anthropic (Claude)

OpenAI (ChatGPT)

DeepSeek Cloud API

Alibaba DashScope (Qwen Cloud)

5. LLM 설정 — 로컬 모델 (DeepSeek / Qwen / Ollama)

5-1. Ollama 기반 설정 (범용)

5-2. DeepSeek 로컬 실행

Ollama로 DeepSeek 실행

vLLM으로 DeepSeek 실행 (고성능 GPU 서버 환경)

LM Studio로 DeepSeek 실행 (GUI 환경)

5-3. Qwen (Qwen2.5-Coder / Qwen3) 로컬 실행

5-4. 로컬 LLM 하드웨어 요구사항

5-5. 연결 테스트

6. 기본 사용법 및 명령어 레퍼런스

주요 리뷰 명령어

전체 명령어 목록

ocr review 주요 플래그

7. 리뷰 규칙 커스터마이징

규칙 파일 형식

8. CI/CD 통합

GitHub Actions

GitLab CI

범용 CI 스크립트 패턴

9. AI 에이전트 통합 (Claude Code / Codex)

방법 1: Skill로 설치

방법 2: Claude Code 플러그인 설치

방법 3: 커맨드 파일 직접 복사

OpenAI Codex 통합

10. 설정 레퍼런스 전체

설정 키 목록

환경 변수 목록

리뷰 출력 언어 변경

텔레메트리 설정 (OpenTelemetry)

11. 장점 및 단점 분석

장점

단점 및 고려사항

12. 모델 선택 가이드

13. 적합한 팀 유형

참고 자료

`ocr review` 주요 플래그