OpenCodeReview, 범용 에이전트 대신 리뷰 과정을 고정하는 코드 리뷰 CLI

AI 코드 리뷰가 막히는 지점은 “모델이 똑똑한가”가 아니다. 변경된 파일 중 무엇을 읽고, 어떤 규칙으로 코멘트를 남기며, 결과를 어떻게 PR 대화로 돌려놓을지가 더 자주 품질을 갈라놓는다.

OpenCodeReview는 그 반복 작업을 고정된 파이프라인으로 만들고, 모델은 코드베이스의 맥락을 읽고 판단하는 데 집중시키려는 오픈소스 CLI다. 단순히 ‘AI에게 리뷰를 시킨다’보다, 팀의 리뷰 절차를 재현 가능하게 다루고 싶은 경우에 맞는 도구에 가깝다.

공식 프로젝트 한눈에 보기
OpenCodeReview는 Git diff와 변경 파일을 기반으로 LLM에 검토 맥락을 전달하고, 줄 단위의 구조화된 리뷰 코멘트를 만드는 방식으로 소개된다. 작업 트리나 브랜치 범위를 보는 ocr review, 저장소 또는 특정 경로를 넓게 점검하는 ocr scan이 핵심 진입점이다.

왜 범용 에이전트와 다르게 보이나
모든 단계를 에이전트의 자유 판단에 맡기면, 같은 변경이라도 읽는 파일·리뷰 범위·코멘트 위치가 흔들릴 수 있다. OpenCodeReview는 파일 선별, 관련 파일 묶기, 규칙 매칭, 코멘트 위치 보정처럼 결과가 안정적이어야 하는 부분을 코드로 제한한다. 반대로 전체 파일 읽기, 코드베이스 검색, 변경 사이의 의미를 해석하는 일은 모델이 맡는다.

이 분리가 중요한 이유는 명확하다. 리뷰의 반복 가능한 뼈대는 파이프라인으로 남기고, 사람이나 모델의 해석이 필요한 곳에만 판단 비용을 쓰기 때문이다. CI 안에서 쓸 때도 “무엇을 검사했는지”를 팀이 다시 설명할 수 있다.

실무에서는 이렇게 검증하면 된다
첫째, 작은 PR 묶음으로 시작해 사람이 남긴 리뷰와 결과를 나란히 비교한다. 둘째, 유효한 지적·오탐·누락을 각각 기록한다. 셋째, 토큰 비용과 CI 실행 시간을 함께 본다. 자동 리뷰는 코멘트 수가 많다고 좋은 것이 아니라, 개발자가 실제로 고칠 만한 신호를 꾸준히 남길 때 가치가 생긴다.

도입 전에 확인할 것
프로젝트 README에는 내부 사용 규모와 일반 에이전트 대비 정밀도·토큰 효율에 관한 벤치마크가 제시돼 있다. 이는 프로젝트가 공개한 자료로 읽는 편이 안전하다. 각 팀의 언어, 레포 구조, 테스트 문화, PR 크기에서는 같은 결과가 보장되지 않는다.

또한 외부 모델을 쓰는 구성이라면 어떤 코드 조각과 메타데이터가 모델 공급자로 전송되는지 먼저 확인해야 한다. 보안·라이선스·개인정보 정책은 도구 선택보다 앞선다.

정리
OpenCodeReview의 포인트는 리뷰어를 완전히 대체한다는 약속이 아니다. 사람과 모델이 매번 다시 만들던 리뷰 절차를 고정하고, 그 위에서 더 넓은 맥락을 읽게 하는 데 있다. 먼저 한두 개의 실제 PR로 정밀도와 비용을 측정한 뒤, 팀의 CI 규칙에 맞게 넓혀가는 편이 가장 현실적이다.

공식 저장소: https://github.com/alibaba/open-code-review
공식 문서: https://open-codereview.ai/docs/