pr-reviewer-action: Revisión IA de Pull Requests para GitHub
Acción reutilizable de GitHub para revisión asistida por IA de solicitudes de extracción (PR). Soporta modelos locales auto-alojados y servicios en la nube compatibles con OpenAI o Anthropic. Incluye clasificación determinista basada en reglas, validación de requisitos explícitos y sanitización de enlaces por defecto.
Ficha actualizada 22 sept 2026, 18:15 · upstream 22 sept 2026, 17:52 · release v2.5.0
Qué es pr-reviewer-action: Revisión IA de Pull Requests para GitHub
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Esta herramienta automatiza el proceso de revisión de PRs utilizando inteligencia artificial, permitiendo tanto despliegues locales como en la nube. El flujo de trabajo comienza con una clasificación determinista basada en reglas que analiza rutas de archivos y metadatos del diff para identificar riesgos específicos, como cambios en autenticación o seguridad. Posteriormente, enruta la solicitud a un modelo de IA (local o cloud) para generar una revisión estructurada, validando el cumplimiento de listas de verificación obligatorias derivadas de la clasificación.
El sistema extrae requisitos explícitos del código, issues vinculados o archivos de estándares como CLAUDE.md para crear un libro de requisitos que el modelo debe cubrir. Incluye enrutamiento inteligente que dirige PRs simples a modelos económicos y escalariza aquellos con riesgos a modelos más potentes. También cuenta con sanitización de enlaces y redacción de secretos por defecto para garantizar la seguridad.
**Características principales:** - Clasificación determinista basada en reglas antes de llamar al modelo IA - Soporte nativo para modelos locales como llama.cpp, vLLM o LiteLLM sin necesidad de Docker - Validación automática de requisitos explícitos extraídos del código o issues vinculados - Mecanismo de ahorro de tokens que omite revisiones cuando el diff es idéntico al anterior - Enrutamiento inteligente entre modelos económicos y potentes según la complejidad detectada
**Requisitos técnicos:** - Python 3 instalado en el runner - gh (GitHub CLI) para operaciones de PR - jq para procesamiento JSON - curl para llamadas HTTP - git para operaciones de repositorio
**Seguridad:** - Sanitización de enlaces por defecto para prevenir notificaciones spam - Redacción automática de secretos detectados en diffs - Soporte para endpoints locales reduciendo exposición de datos - API keys deben almacenarse como GitHub secrets
**Compatibilidad:** - GitHub Actions (principal) - Forgejo (con soporte limitado, funcionalidades GraphQL degradadas) - Modelos OpenAI-compatible y Anthropic-compatible
**Versión actual:** v2.5.0 (publicada 2026-09-20) **Licencia:** MIT **Repositorio:** https://github.com/misospace/pr-reviewer-action
- Revisión automática de PRs con feedback detallado en comentarios o revisiones nativas
- Auditoría de seguridad y detección de vulnerabilidades mediante análisis de diff
- Verificación de cumplimiento de estándares del repositorio definidos en CLAUDE.md o AGENTS.md
- Optimización de costes mediante enrutamiento inteligente entre modelos económicos y potentes
- Ahorro de tokens saltando revisiones cuando el diff efectivo es idéntico al anterior
- Soporte nativo para modelos locales como llama.cpp, vLLM o LiteLLM sin necesidad de Docker
- Clasificación determinista de PRs basada en reglas antes de llamar al modelo para enfocar la IA
- Validación automática de requisitos explícitos extraídos del código o issues vinculados
- Mecanismo de ahorro de tokens que omite revisiones cuando el diff es idéntico al anterior
- Enrutamiento inteligente entre modelos económicos y potentes según la complejidad detectada
- Requiere runners con herramientas específicas instaladas (Python 3, gh, jq, curl, git)
- No incluye contenedores Docker o archivos de composición para despliegue directo
- Funcionalidades basadas en GraphQL están degradadas u omitidas en Forgejo
- Dependencia de endpoints compatibles con la API de OpenAI o Anthropic
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Configurar ai_base_url apuntando a un endpoint local (ej. llama.cpp) o cloud. Asegurar que el runner tenga Python 3, git, jq y curl instalados. Gestionar github_token como secreto. Para Forgejo, usar platform: forgejo. No es necesario Docker; se ejecuta en el runner del workflow.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.