Selvage - AI Code Review CLI

Hallo.
Viele von Ihnen haben LLMs wahrscheinlich bereits für Code-Reviews ausprobiert, aber ich denke, dass es bei der praktischen Anwendung einige umständliche Punkte gab.
Denn dafür ist ein Prozess nötig, bei dem der zu prüfende Code und sein Kontext übermittelt und sogar das gewünschte Ausgabeformat detailliert für das LLM festgelegt werden müssen.

selvage ist ein CLI-Tool, das diesen Vorbereitungsprozess automatisiert und so die Effizienz von Code-Reviews erhöht.

[Hauptfunktionen]

• Als CLI-Tool unabhängig von bestimmten IDEs oder Erweiterungen nutzbar
• Unterstützung für wichtige SOTA-Modelle (GPT-5, Claude-Sonnet-4, Gemini, Qwen3-code)
• Mit OpenRouter API Key ohne Abonnement nutzungsbasiert einsetzbar
• Integration in Git-Workflows
  • Unterstützung für die Analyse von staged Änderungen, unstaged Änderungen und Änderungen zwischen bestimmten Commits/Branches
• Smart-Context-Extraktion auf Basis von ASTs (abstrakten Syntaxbäumen)
  • Extrahiert nur die minimalen Codeblöcke und Abhängigkeiten, die mit den Änderungen zusammenhängen
  • Übermittelt nur den wirklich nötigen Kontext, reduziert so den Token-Verbrauch und maximiert gleichzeitig die Review-Qualität
• Large Context Review
  • Auch umfangreiche Änderungen, die das Context Limit des Modells überschreiten (vor allem PRs zur Bereitstellung eines bestimmten Features), können zuverlässig geprüft werden

[denimcoder]

Hallo.
Diesmal gab es ein größeres Update, daher möchte ich die Neuigkeiten mit euch teilen.
Ich freue mich über euer Interesse!

GitHub-Link: https://github.com/selvage-lab/selvage

---

🚀 Wichtige Funktionsupdates

🤖 MCP (Model Context Protocol) Server-Modus hinzugefügt ⭐ NEW

Code-Reviews direkt im Chatfenster von Cursor, Claude Code usw. anfordern!

Ab sofort könnt ihr Selvage in Cursor, Claude Code usw. als MCP registrieren und per natürlicher Sprache Code-Reviews anfordern.
Die Review-Ergebnisse werden direkt vom AI-Assistenten übermittelt, und nach der Prüfung des Feedbacks könnt ihr in einem Schritt auch gleich Verbesserungen am Code anfordern.

Einrichtung:

# Claude Code Integration  
# Methode 1: Umgebungsvariable verwenden (falls bereits gesetzt)  
claude mcp add selvage -- uvx selvage mcp  
  
# Methode 2: Direkt angeben  
claude mcp add selvage -e OPENROUTER_API_KEY=your_openrouter_api_key_here -- uvx selvage mcp  

# Cursor Integration (~/.cursor/mcp.json)  
{  
  "mcpServers": {  
    "selvage": {  
      "command": "uvx",  
      "args": ["selvage", "mcp"],  
      "env": {"OPENROUTER_API_KEY": "your_key"} // Optional: nicht erforderlich, wenn als System-Umgebungsvariable registriert  
    }  
  }  
}  

---

💡 Nutzungsszenarien

Einfaches Anwendungsbeispiel

"Bitte prüfe mit selvage mcp meine aktuellen Änderungen."  
"Bitte vergleiche und prüfe mit selvage mcp den Main-Branch und den aktuellen Branch mit claude-sonnet-4-thinking."  
"Bitte prüfe mit selvage mcp die gestagten Änderungen mit gpt-5-high und sortiere sie nach Priorität."  
"Bitte prüfe mit selvage mcp die gestagten Änderungen jeweils mit gpt-5-high und claude-sonnet-4-thinking und vergleiche die Ergebnisse."  

Schrittweiser Workflow zur Code-Verbesserung

1. Bitte prüfe mit selvage mcp meine aktuellen Änderungen mit claude-sonnet-4-thinking.  
2. Prüfe das Review-Feedback kritisch darauf, ob es für die aktuelle Codebasis gültig ist, und teile mir die Prioritäten mit.  
3. Setze die geprüften Punkte entsprechend der Priorität nacheinander um.  

[jkapa0417]

Hallo, ich würde es gern ausprobieren. Muss man dafür zwingend Openrounter verwenden? Ich habe derzeit einen API-Schlüssel, den ich bereits nutze, und würde gern wissen, ob ich diesen dafür verwenden kann.

[denimcoder]

Hallo.
Darf ich fragen, welchen API-Key Sie gerade verwenden?
Statt des OpenRouter KEY können Sie den Provider-API-Key des jeweiligen Modells über Umgebungsvariablen setzen und verwenden.

export OPENAI_API_KEY="your_openai_api_key_here"  
export ANTHROPIC_API_KEY="your_anthropic_api_key_here"  
export GEMINI_API_KEY="your_gemini_api_key_here"  

OPENAI_API_KEY wird für Modelle der GPT-Reihe,
ANTHROPIC_API_KEY für Modelle der Claude-Reihe und
GEMINI_API_KEY für Modelle der Gemini-Reihe
unterstützt!

[kjows5]

Ist es möglich, sensible Informationen bereits auf Quellcode-Ebene zu maskieren, bevor sie als Eingabe an ein LLM übergeben werden?

[denimcoder]

Hallo. Hier ist die Antwort.

1. Derzeit werden bei einer Code-Review-Anfrage Dateien vom Typ .env grundsätzlich ausgeschlossen, aber es gibt keinen Schritt, der „Werte“ wie API-Schlüssel, Tokens oder Passwörter, die im Quellcode enthalten sind, ersetzt oder unkenntlich macht.

2. Falls Sie sensible Informationen bei der Review ausschließen möchten,
   versetzen Sie den zu überprüfenden Code bitte in den git staged-Status und
   führen Sie die Review mit dem Befehl selvage review --staged aus. So können sensible Informationen aus der LLM-Eingabe ausgeschlossen werden.

3. Eine Funktion ähnlich der von Ihnen angesprochenen ist als zukünftiges Update geplant. Nutzer sollen dann direkt in einer yml-Datei Dateierweiterungen, die bei der Review ausgeschlossen werden sollen, sowie bestimmte Muster im Code (reguläre Ausdrücke) festlegen können, damit sensible Informationen für jedes Projekt passend gefiltert werden.

[namongk]

Oh oh...