BIẾN AI THÀNH TRỢ LÝ CODE XỊN XÒ: Tự Động Phân Tích GitHub Commit với AWS Bedrock và DeepSeek R1

Lê Lân

12/07/2025

Phân Tích Mã Nguồn Tự Động Với AI Generative Trên Kiến Trúc Serverless Sử Dụng AWS Bedrock và DeepSeek R1 LLM

Mở Đầu

Trong bối cảnh phát triển phần mềm ngày càng phức tạp, việc duy trì mã nguồn sạch, hiệu quả và có cấu trúc tốt trở thành một thử thách lớn.

Các đoạn mã kém chất lượng không chỉ gây tăng chi phí bảo trì mà còn làm giảm khả năng đọc hiểu và tạo ra technial debt. Nhờ sự bùng nổ của AI generative, các nhà phát triển đã có thêm công cụ thông minh để phân tích mã, đưa ra phản hồi cũng như đề xuất cải tiến có tính khả thi.

Bài viết này giới thiệu một ứng dụng serverless sử dụng AWS Bedrock kết hợp với DeepSeek R1 LLM để phân tích các commit trên GitHub. Mục tiêu là phát hiện sớm những vấn đề tiềm ẩn, cung cấp lời khuyên dựa trên nguyên tắc Domain-Driven Design (DDD) và Clean Code, từ đó giúp mã nguồn duy trì được tính mở rộng và dễ bảo trì. Nhờ AWS Bedrock, giải pháp có được sự tích hợp AI liền mạch trong kiến trúc serverless, đồng thời đảm bảo hiệu suất và tối ưu chi phí.

Giới Thiệu Dự Án

Mục Đích

Dự án đề ra mục tiêu tự động hóa phân tích mã nguồn trong repo GitHub. Mỗi lần có commit mới, webhook của GitHub sẽ kích hoạt một hàm AWS Lambda để phân tích thay đổi và đưa ra phản hồi từ DeepSeek R1 LLM.

Các Công Nghệ Chính

Serverless Framework: Quản lý và triển khai các tài nguyên AWS như Lambda, API Gateway, DynamoDB.

AWS Lambda: Xử lý các webhook từ GitHub, thực hiện kiểm tra, phân tích mã.

DeepSeek R1 LLM: Mô hình AI generative dùng để phân tích và đề xuất cải tiến cho các đoạn mã.

DynamoDB: Lưu trữ metadata về commit và các đề xuất từ AI.

CloudWatch: Giám sát và ghi nhận nhật ký của Lambda functions.

GitHub Webhooks: Gửi dữ liệu commit tự động đến API để xử lý.

Cấu Trúc Dự Án

Dự án được tổ chức theo các thành phần chính sau:

├── layers/                   # Các dependencies chia sẻ dùng cho Lambda
│   ├── common/
│       ├── requirements.txt  # Định nghĩa các package Python cần thiết
├── src/
│   ├── functions/
│       ├── commit_analyzer.py   # Xử lý và phân tích commit với DeepSeek AI
│   ├── helpers/
│       ├── lambda_payload.py    # Tiện ích xử lý payload Lambda
│       ├── lambda_response.py   # Xử lý response Lambda
│   ├── infrastructure/
│       ├── resources.yml        # Cấu hình tài nguyên AWS
│   ├── services/
│       ├── bedrock.py           # Tương tác với AWS Bedrock
│       ├── dynamodb.py          # Giao tiếp DynamoDB
│       ├── github.py            # Xử lý dữ liệu từ GitHub
├── .env.example               # File cấu hình môi trường mẫu
├── deploy-example.sh          # Script triển khai mẫu
├── README.md                  # Tài liệu hướng dẫn và mô tả dự án
├── serverless.yml             # Cấu hình Serverless Framework

Cấu trúc rõ ràng giúp việc mở rộng, bảo trì và triển khai trở nên thuận tiện, hiệu quả.

Quy Trình Hoạt Động

Dưới đây là các bước xử lý của hệ thống khi một commit mới được đẩy lên:

Developer commit thay đổi lên repo GitHub.

GitHub gửi webhook sự kiện push đến API Gateway.

API Gateway kích hoạt một hàm Lambda.

Lambda function phân tích commit, trích xuất các thay đổi liên quan.

Mã được gửi tới DeepSeek R1 LLM để lấy đề xuất cải tiến.

Kết quả AI trả về được lưu vào DynamoDB.

Developer nhận phản hồi về chất lượng mã và lời khuyên nâng cao.

Ví Dụ Thử Nghiệm API

Bạn có thể kiểm thử thủ công chức năng phân tích mã bằng lệnh cURL như sau:

curl --location --request POST 'https://example.com/commit/analyze' \
--header 'Content-Type: application/json' \
--data-raw '{
  "ref": "refs/heads/develop",
  "before": "a1b2c3d4e5f678901234567890abcdef12345678",
  "after": "f1e2d3c4b5a678901234567890abcdef98765432",
  "repository": {
    "id": 123456789,
    "full_name": "johnDoe/fake-repo",
    "language": "JavaScript"
  },
  "commits": [
    {
      "id": "f1e2d3c4b5a678901234567890abcdef98765432",
      "message": "fix: updated authentication logic",
      "modified": ["src/index.js"],
      "added": ["src/auth.js"]
    }
  ]
}'

Kết quả trả về sẽ là JSON chứa các đề xuất cải tiến chi tiết, giúp cải thiện chất lượng mã ngay khi commit được tạo.

Hướng Dẫn Cấu Hình GitHub Webhooks

Để kích hoạt tự động phân tích AI khi có commit mới, làm theo các bước sau:

Vào repo trên GitHub, chọn Settings → Webhooks.

Bấm Add Webhook.

Điền Payload URL: https://example.com/commit/analyze .

Chọn Content type: application/json .

Đánh dấu sự kiện Push events để webhook kích hoạt khi commit push.

Lưu lại.

Sau khi thiết lập, mỗi lần commit đẩy lên sẽ được phân tích và nhận phản hồi AI tự động.

Kết Luận

Việc ứng dụng AI generative trong phát triển phần mềm mở ra một kỷ nguyên mới trong kiểm tra mã nguồn. Với dự án dựa trên AWS Bedrock và DeepSeek R1 LLM, nhà phát triển được hỗ trợ:

Tuân thủ các nguyên tắc lập trình sạch và Domain-Driven Design.

Nâng cao khả năng đọc hiểu và bảo trì mã.

Tự động hóa quy trình review giúp tiết kiệm thời gian và tăng hiệu quả.

Hệ thống giúp tập trung vào việc xây dựng phần mềm chất lượng cao thay vì phải dành nhiều thời gian tìm lỗi và sửa chữa.

Tham khảo dự án đầy đủ tại: GitHub IA - Code Validation .

Lưu ý: DeepSeek R1 LLM là mô hình mới trên thị trường và AWS Marketplace, có thể gặp hạn chế về độ chính xác, đặc biệt với các ngôn ngữ ngoài tiếng Anh và tiếng Trung.

Tham Khảo

GitHub Webhooks Documentation

AWS Official Documentation - AWS Lambda

AWS Bedrock - AWS AI Services

DeepSeek AI Model Market Information (chính chủ AWS Marketplace)

Evans, Eric (2003). Domain-Driven Design: Tackling Complexity in the Heart of Software. Addison-Wesley.

Martin, Robert C. (2008). Clean Code: A Handbook of Agile Software Craftsmanship. Prentice Hall.

March 20, 2025