把 Claude Code 嵌入 CI/CD 流水线——自动化代码审查、发版说明和回归测试

---

前十三篇文章，都是在自己的终端里跟 AI 交互——你输入指令，它执行。但团队协作里有一个关键场景被忽略了：流水线。

每次提 PR 之后，你手动跑一遍 Claude Code 做 review、生成发版说明、检查测试覆盖。这些事情可以做，但"记得做"本身就是一种心智负担。

这篇文章把三件事自动化——PR 代码审查、CHANGELOG 生成、回归测试分析——全部用 GitHub Actions 驱动，零人工介入。

---

非交互模式：CI 的前提

前面所有文章，Claude Code 都是在终端里交互式使用的。CI 里没有人在终端前按 Y/N，需要非交互模式。

-p（--print）标志让 Claude Code 以非交互模式运行：

claude -p "分析 src/ 目录的代码质量，给出改进建议"

一次性输出结果到 stdout，然后退出。不弹确认框，不等用户输入。

搭配 --permission-mode 控制权限：

# CI 里只读分析——不需要任何确认
claude -p "审查最近一次 commit 的代码变更" \
  --dangerously-skip-permissions

--dangerously-skip-permissions 跳过所有权限检查。CI 环境是受控的——没有人在手动操作，不会有意外。

认证方面，非交互模式用 API Key：

export ANTHROPIC_API_KEY=${{ secrets.ANTHROPIC_API_KEY }}

设了 ANTHROPIC_API_KEY 之后不弹浏览器、不走 OAuth。

---

场景一：PR 自动代码审查

提 PR 时自动触发 Claude Code 审查变更代码，把结果作为 PR comment 贴上去。

完整的 GitHub Actions workflow：

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

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest
    permissions:
      contents: read
      pull-requests: write

    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0

      - name: Install Claude Code
        run: curl -fsSL https://claude.ai/install.sh | bash

      - name: AI Review
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
        run: |
          claude -p "审查这次 PR 的代码变更：

          1. 运行 git diff origin/main...HEAD 查看所有变更
          2. 按以下维度审查：
             - 潜在的 bug 或逻辑错误
             - 安全漏洞（SQL 注入、XSS、敏感信息泄露）
             - 性能问题（N+1 查询、不必要的循环）
             - 代码可读性和可维护性
             - 是否有遗漏的测试
          3. 以 Markdown 格式输出审查报告。
             如果发现问题，标明严重级别（严重/一般/建议）。
             如果没有问题，就说'未发现明显问题'。

          输出格式：
          ## AI Code Review
          [审查结论和具体问题]
          " \
          --dangerously-skip-permissions \
          > review.md

      - name: Post Review Comment
        run: |
          gh pr comment ${{ github.event.pull_request.number }} \
            --body "$(cat review.md)" \
            --repo ${{ github.repository }}
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}

触发方式——提 PR 或推送新 commit 时自动运行。AI 审查结果作为 PR 评论出现，跟人工 reviewer 的评论并列。

这个东西不会替代人工 review，但能揪出容易被忽略的问题：硬编码的密钥、忘记关的 debug 日志、缺少的空值检查。

---

场景二：自动生成发版说明

每次打 tag 时，自动分析 commit 历史，生成结构化的 CHANGELOG。

# .github/workflows/changelog.yml
name: Generate Changelog

on:
  push:
    tags:
      - 'v*'

jobs:
  changelog:
    runs-on: ubuntu-latest

    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0

      - name: Install Claude Code
        run: curl -fsSL https://claude.ai/install.sh | bash

      - name: Generate Changelog
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
        run: |
          TAG_NAME="${{ github.ref_name }}"
          PREV_TAG=$(git describe --tags --abbrev=0 HEAD^ 2>/dev/null || echo "")

          if [ -z "$PREV_TAG" ]; then
            RANGE="HEAD"
          else
            RANGE="${PREV_TAG}..HEAD"
          fi

          claude -p "分析 git log ${RANGE} 的所有 commit，生成发版说明。

          要求：
          1. 按类型分组：新功能、Bug 修复、性能优化、重构、文档
          2. 每条记录包含 commit message 摘要和相关文件
          3. 标注破坏性变更（BREAKING CHANGE）
          4. 给出建议的版本号（遵循语义化版本）
          5. 输出 Markdown 格式，适合直接贴到 GitHub Release

          提交历史：
          \$(git log ${RANGE} --oneline --no-decorate)" \
          --dangerously-skip-permissions \
          > CHANGELOG_${TAG_NAME}.md

      - name: Create GitHub Release
        run: |
          gh release create "${{ github.ref_name }}" \
            --title "${{ github.ref_name }}" \
            --notes "$(cat CHANGELOG_${{ github.ref_name }}.md)" \
            --repo ${{ github.repository }}
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}

效果——打一个 v1.3.0 tag，自动生成分类好的 CHANGELOG，创建 GitHub Release。不用手写，不会漏掉某个贡献者的提交。

---

场景三：回归测试结果分析

CI 里跑完自动化测试后，让 Claude Code 分析失败用例，给出排查建议。

# .github/workflows/ai-test-analysis.yml
name: AI Test Analysis

on:
  workflow_run:
    workflows: ["Run Tests"]
    types: [completed]

jobs:
  analyze:
    if: ${{ github.event.workflow_run.conclusion == 'failure' }}
    runs-on: ubuntu-latest

    steps:
      - uses: actions/checkout@v4

      - name: Install Claude Code
        run: curl -fsSL https://claude.ai/install.sh | bash

      - name: Analyze Test Failures
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
        run: |
          claude -p "CI 测试失败了。分析项目中的测试文件，找出可能的原因。

          输出格式：
          ## 测试失败分析
          1. 可能的失败原因（按可能性排序）
          2. 建议的排查步骤
          3. 如果是代码逻辑问题，指出具体文件和行号
          " \
          --dangerously-skip-permissions \
          > analysis.md

      - name: Create Issue
        run: |
          gh issue create \
            --title "CI 失败分析 (自动生成)" \
            --body "$(cat analysis.md)" \
            --label "ci,ai-generated" \
            --repo ${{ github.repository }}
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}

只在测试失败时触发。AI 读项目代码 + 测试文件，生成一份分析报告，自动创建 GitHub Issue。

注意——AI 看不到 CI 的实际报错日志（那个在另一个 workflow run 里），它只能分析代码本身。所以报告是"可能的失败原因"而非精准诊断。但即便只是"可能的原因"，已经比"测试红了，你自己看"强很多。

---

CI 环境的注意事项

1. API Key 权限最小化。

CI 里用的是 API Key，按量付费。设定 spending limit，避免一个死循环刷爆账单。在 Anthropic Console 里设置每月预算上限。

2. 非交互模式的超时。

-p 模式下 Claude Code 没有交互超时保护——如果模型进入长推理循环，会一直消耗 token。给 CI step 设 timeout：

- name: AI Review
  timeout-minutes: 10
  run: claude -p "..." --dangerously-skip-permissions > review.md

3. AI 审查结果不是权威。

AI 的 PR review 评论应该标记为"参考"，不是 blocking check。人和 AI 的判断互补——AI 抓模式化问题，人抓业务逻辑问题。

4. 敏感仓库要慎重。

如果你的项目涉及敏感业务逻辑或合规要求，不要把代码发送给外部 AI API。Anthropic API 的隐私政策需要跟公司的安全团队确认。

---

落地建议

这三个场景在实际中引入的优先级：

1. PR 代码审查——最先上。对现有流程改变最小，价值立刻能看到。
2. CHANGELOG 生成——其次。发版时不怎么动脑子的事，最适合自动化。
3. 测试失败分析——最后。准确度不如前两个，但能提供排查方向。

跑通之后，团队成员唯一需要做的就是在 CI 配置里加一个 API Key secret。日常使用完全无感——该提 PR 提 PR，该打 tag 打 tag，AI 自动在后台出结果。

---

欢迎大家有问题评论区交流学习；