LaReview
Puemos · Coding
LaReview ist eine lokale, KI-gestützte Werkbank für Code-Review, die einen Diff oder eine Pull Request in einen strukturierten Review-Plan verwandelt, statt in einen Haufen automatischer Kommentare. Es arbeitet mit dem KI-Coding-Agenten zusammen, den Sie bereits nutzen, etwa Claude Code oder Codex, und läuft auf Ihrem Rechner, sodass Ihr Quellcode den Laptop nie verlässt. Wenn Ihr Team große Pull Requests von Hand prüft und in lauten Bot-Kommentaren ertrinkt, ist dieses Tool genau für dieses Problem gebaut.
Über LaReview
Was ist LaReview
LaReview ist ein Open-Source-Tool für Code-Review für Entwickler, die eine Änderung verstehen wollen, bevor sie sie kommentieren. Die meisten KI-Review-Produkte verhalten sich wie Bots. Sie werfen Kommentare auf eine Pull Request und hoffen, dass etwas hängen bleibt. Kommt Ihnen das bekannt vor?
LaReview geht den umgekehrten Weg. Es liest die Änderung, sucht die Abläufe und Gefahren, die ein erfahrener Entwickler markieren würde, und übergibt Ihnen einen Review-Plan, den Sie wirklich durcharbeiten können.
Code-Review auf GitHub heißt meist, Dateien eine nach der anderen zu lesen. LaReview stellt zuerst eine bessere Frage. Was hat diese Änderung tatsächlich bewirkt?
Es läuft lokal. Das Tool holt die Pull-Request-Daten über Ihre eigene GitHub- oder GitLab-CLI, und der von Ihnen gewählte KI-Agent analysiert sie dann auf Ihrem Rechner. Nichts wird auf einen fremden Server hochgeladen. Das zählt, wenn Sie an privatem Code arbeiten und ihn nicht an einen Cloud-Dienst schicken können.
Der Haken ist, dass LaReview kein Dienst ist, der von allein läuft. Sie bringen Ihren eigenen KI-Agenten und Ihren eigenen API-Zugang mit, daher kostet die Einrichtung etwas mehr Arbeit als die Anmeldung bei einem gehosteten Produkt. Es ist eine Werkbank, kein Bot mit einem Knopf, und es erwartet, dass Sie prüfen und nicht nur auf Genehmigen klicken.
Erste Schritte
- Installieren Sie LaReview von der offiziellen Seite, entweder mit Homebrew (
brew install --cask puemos/tap/lareview) oder indem Sie ein Binary für Ihre Plattform herunterladen. - Stellen Sie sicher, dass die GitHub-CLI (
gh) oder die GitLab-CLI (glab) installiert und angemeldet ist, denn LaReview nutzt sie, um die Pull-Request-Daten lokal zu holen. - Richten Sie LaReview mit dem Flag
--agentauf Ihren bevorzugten KI-Coding-Agenten, etwa Claude Code, Codex, Gemini oder OpenCode. - Laden Sie ein Review, indem Sie eine PR-URL einfügen (
lareview pr owner/repo#123) oder einen Diff durch eine Pipe schicken (git diff | lareview). - Arbeiten Sie den erzeugten Plan durch, ergänzen Sie Notizen, markieren Sie Einträge als ignoriert und schicken Sie Ihr Feedback mit einer automatisch erzeugten Zusammenfassung zurück an GitHub oder GitLab.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von LaReview.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Erfahrene Entwickler und Tech-Leads, die große Pull Requests prüfen und die Systemauswirkungen verstehen müssen, bevor sie genehmigen, sofern sie mit der Installation eines CLI-Tools zurechtkommen.
- Kleine Teams mit privaten Codebasen, die den Quellcode nicht an einen gehosteten KI-Dienst schicken dürfen und Review-Hilfe wollen, die auf lokalen Rechnern bleibt.
- Entwickler, die bereits für einen KI-Coding-Agenten wie Claude Code oder Codex zahlen und aus einem vorhandenen Abo mehr Review-Wert holen wollen.
Aufgaben
- Einen unübersichtlichen Diff in eine gruppierte, nach Risiko geordnete Liste von Review-Aufgaben verwandeln, statt Dateien eine nach der anderen zu lesen.
- Gefahren wie fehlende Datenbank-Timeouts oder undokumentierte API-Änderungen mit eigenen Regeln aufspüren.
- Gezieltes Review-Feedback schreiben, das an konkreten Zeilen hängt, statt Kommentar-Spam zu erzeugen.
- Architekturdiagramme erzeugen, um zu sehen, wie eine Änderung den Datenfluss verändert, bevor Sie eine Zeile Code lesen.
Szenarien
- Eine PR in der Release-Woche mit Dutzenden geänderten Dateien, bei der Sie wissen müssen, was wirklich zählt.
- Die Einarbeitung der ersten großen Pull Request eines Beitragenden, wenn Sie die Codebasis noch nicht gut kennen.
- Ein sicherheitskritischer Repositorium, bei dem das Hochladen von Code zu einem Cloud-Reviewer keine Option ist.
Wichtigste Funktionen
Erst der Plan, dann der Kommentar
Statt Kommentare abzuladen, liest LaReview die Änderung und baut einen strukturierten Review-Plan. Es gruppiert die Arbeit nach Ablauf und ordnet die Aufgaben nach Risiko, sodass Sie mit dem Teil beginnen, der am ehesten etwas kaputt macht. Sie verfolgen den Fortschritt und gehen mit einer Datei-Heatmap durch die Änderung, die zeigt, wo etwas passiert.
Datenschutz mit lokalem Ansatz
Alles läuft auf Ihrem Rechner. LaReview holt die PR-Daten über Ihre eigene gh- oder glab-CLI und lässt Ihren KI-Agenten in einem verknüpften lokalen Git-Repositorium suchen, ohne etwas hochzuladen. Damit liegt kein Quellcode auf dem Server von jemand anderem, was für Teams, die keine Cloud-Tools nutzen können, der ganze Punkt ist.
Bringen Sie Ihren eigenen KI-Agenten mit
LaReview bindet Sie nicht an ein Modell oder einen Anbieter. Es arbeitet mit dem Agenten, den Sie bereits nutzen, darunter Claude Code, Codex, Gemini, Kimi, Mistral, OpenCode und Qwen. Sie wählen das Gehirn; LaReview kümmert sich um den Arbeitsablauf drumherum. Keine Bindung. Keine neue Rechnung.
Eigene Review-Regeln
Sie definieren Regeln in normaler Sprache, etwa "DB-Abfragen müssen Timeouts haben", und die KI prüft die Änderung dagegen. So werden die hart erarbeiteten Standards Ihres Teams zu automatischen Prüfungen, die bei jedem Review laufen, statt in einem Wiki zu vegetieren, das niemand liest.
Visuelle Flussdiagramme
LaReview erzeugt Diagramme der Änderung automatisch, sodass Sie Architekturverschiebungen sehen, bevor Sie eine einzige Zeile lesen. Für einen Prüfer, der die Systemauswirkung einschätzen will, schlägt ein Bild des neuen Datenflusses das Scrollen durch einen hundertzeiligen Diff.
Aus abgelehntem Feedback lernen
Wenn Sie einen Vorschlag als "ignoriert" markieren, hält LaReview das fest. Mit der Zeit analysiert es diese Ablehnungen, um Muster zu finden und künftige Reviews zu kalibrieren, was weniger Erbsenzählerei und mehr Kommentare bedeutet, die Sie wirklich behalten. Besseres Signal. Weniger Rauschen.
Synchronisierung mit dem Git-Host und CLI-Ablauf
Wenn Ihr Review fertig ist, schieben Sie es direkt in eine GitHub- oder GitLab-PR mit einer automatisch erzeugten Zusammenfassung. Alles läuft im Terminal, sodass Sie einen Diff durch eine Pipe schicken oder eine PR laden können, ohne den Editor oder die Shell zu verlassen.
Vor- und Nachteile
Vorteile
- Hält Ihren Quellcode lokal, sodass private Repositorien keinen Cloud-Dienst berühren müssen.
- Verwandelt einen rohen Diff in einen nach Risiko geordneten Plan, was bei großen Pull Requests echte Zeit spart.
- Arbeitet mit dem KI-Agenten, für den Sie bereits zahlen, statt ein neues Abo zu erzwingen.
- Eigene Regeln lassen Sie Teamstandards automatisch durchsetzen.
- Kostenlos und quelloffen unter permissiven Lizenzen, ohne Anbieterbindung.
Nachteile
- Die Einrichtung ist aufwendiger als bei einem gehosteten Produkt, da Sie eine CLI installieren und Ihren eigenen KI-Agenten konfigurieren.
- Es ist keine offizielle API dokumentiert, sodass es ohne Zusatzarbeit nicht in eine eigene CI-Pipeline passt.
- Es stützt sich auf Ihren vorhandenen KI-Agenten und API-Zugang, daher hängt die Qualität des Reviews davon ab, was Sie mitbringen.
- Es passt am besten zu einzelnen Nutzern und kleinen Teams; größere Organisationen wollen womöglich tiefergehende Zugriffskontrollen.
Häufige Fragen
LaReview ist eine Werkbank für Code-Review. Entwickler geben ihm einen Diff oder eine Pull Request, und es baut einen strukturierten Review-Plan mit nach Risiko geordneten Aufgaben, visuellen Diagrammen und gezieltem Feedback. Das Ziel ist, eine Änderung zu verstehen, nicht mehr Kommentare zu erzeugen.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu LaReview.
Alternativen zu LaReview
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.