💻 Code Generation Quality（代码生成质量）详解

好例子：

// 计算斐波那契数列（正确实现）
function fibonacci(n) {
  if (n <= 1) return n;
  let a = 0, b = 1;
  for (let i = 2; i <= n; i++) {
    [a, b] = [b, a + b];
  }
  return b;
}

坏例子：

// AI生成的"斐波那契"（跑不通）
function fibonacci(n) {
  return n * (n - 1);  // 这是什么鬼？？
}

好例子：

// 计算用户订单的总金额（含折扣）
function calculateOrderTotal(items, discountRate) {
  const subtotal = items.reduce((sum, item) => sum + item.price * item.quantity, 0);
  const discount = subtotal * discountRate;
  return subtotal - discount;
}

坏例子：

// AI生成的"抽象艺术"
function calc(x, y) {
  return x.map(i => i.p * i.q).reduce((a, b) => a + b, 0) * (1 - y);
  // 看不懂？恭喜你，正常人类都看不懂
}

好例子：

// 使用缓存优化递归斐波那契
const memo = new Map();
function fibonacci(n) {
  if (n <= 1) return n;
  if (memo.has(n)) return memo.get(n);
  const result = fibonacci(n - 1) + fibonacci(n - 2);
  memo.set(n, result);
  return result;
}

坏例子：

// 没有缓存的递归（时间复杂度O(2^n)，跑n=50要等到天荒地老）
function fibonacci(n) {
  if (n <= 1) return n;
  return fibonacci(n - 1) + fibonacci(n - 2);
}

好例子：

// 使用参数化查询防止SQL注入
async function getUserById(userId) {
  const query = 'SELECT * FROM users WHERE id = ?';
  const [rows] = await db.execute(query, [userId]);  // ✅ 参数化
  return rows[0];
}

坏例子：

// 直接拼接SQL（欢迎黑客来攻击）
async function getUserById(userId) {
  const query = `SELECT * FROM users WHERE id = '${userId}'`;  // ❌ 注入风险
  const [rows] = await db.execute(query);
  return rows[0];
}

工具：miaoquai的agent-code-review Skill（已发布到OpenClaw Hub）

// 在OpenClaw中调用代码审查Skill
import { reviewCode } from '@miaoquai/agent-code-review';

const code = `
function login(username, password) {
  const query = \`SELECT * FROM users WHERE username='\${username}' AND password='\${password}'\`;
  return db.execute(query);
}
`;

const result = await reviewCode(code, {
  language: 'javascript',
  checkSecurity: true,
  checkPerformance: true,
  checkReadability: true
});

console.log(result.score);  // 45分（D级，有SQL注入漏洞）
console.log(result.issues);
// 输出：
// [
//   { type: 'security', severity: 'critical', message: '检测到SQL注入风险' },
//   { type: 'readability', severity: 'medium', message: '函数名太泛，建议改为authenticateUser' },
//   { type: 'performance', severity: 'low', message: '未使用参数化查询' }
// ]

目标：每次AI生成代码后，自动评估质量，低于B级不允许合并。

# .github/workflows/ai-code-quality.yml
name: AI Code Quality Check

on: [pull_request]

jobs:
  quality-check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: Run Code Quality Check
        run: |
          # 使用OpenClaw的代码质量检查工具
          npx openclaw-code-quality check --path ./src --min-score B
          
          # 输出示例：
          # ✅ login.js: Score A (92/100)
          # ❌ user.js: Score C (68/100) - 低于B级，拒绝合并
          #    - 问题1: SQL注入风险 (严重)
          #    - 问题2: 缺少错误处理 (中等)
          
          # 如果低于B级，退出码为1，PR被阻止
          
      - name: Comment PR with Results
        if: failure()
        uses: actions/github-script@v6
        with:
          script: |
            github.rest.issues.createComment({
              issue_number: context.issue.number,
              body: '⚠️ AI代码质量检查未通过，请修复后重新提交。'
            })

背景：GitHub trending项目codegraph（16k+ stars）通过预索引代码知识图谱提升AI生成代码质量。

原理：让AI"理解"整个代码库的结构和依赖关系，生成的代码更符合项目风格和架构。

// 使用codegraph辅助代码生成
import { CodeGraph } from 'codegraph';

// 构建代码知识图谱
const graph = new CodeGraph();
await graph.index('./src');  // 索引整个项目

// 生成新代码时，参考知识图谱
const context = graph.getRelevantContext('user authentication');
// 返回：项目现有的认证模式、依赖的库、代码风格等

// 将context提供给AI模型
const generatedCode = await ai.generateCode({
  task: '添加新的OAuth登录方法',
  context: context  // ✅ AI现在"知道"项目现有的认证架构
});

// 结果：生成的代码与项目风格一致，遵循现有模式
// 质量评分：从C(65分) 提升到 A(91分)

🔗 GitHub: codegraph - Pre-indexed code knowledge graph

技巧1：提供高质量示例（Few-Shot Learning）

// 不好的提示词
"写一个用户登录函数"

// 好的提示词（提供示例）
"参考以下代码风格，写一个用户登录函数：

// 现有代码风格示例
async function registerUser(email, password) {
  validateEmail(email);
  const hashedPassword = await bcrypt.hash(password, 10);
  return db.users.create({ email, password: hashedPassword });
}

// 请生成：loginUser(email, password)函数"

技巧2：迭代优化（Iterative Refinement）

# 第1轮：生成初版代码
code_v1 = ai.generate("写一个排序函数")

# 第2轮：根据反馈优化
code_v2 = ai.generate(f"优化以下代码，提升性能：{code_v1}")

# 第3轮：添加测试和安全检查
code_v3 = ai.generate(f"为以下代码添加单元测试和输入验证：{code_v2}")

# 质量提升：从C(60分) → B(80分) → A(92分)