打造 AI 驅動的 GitHub 工作流程：LLM Action 完整指南

blog cover

在 AI 時代，將大型語言模型整合進 CI/CD 流程已成為提升開發效率的關鍵。然而，現有的解決方案往往綁定特定服務商，且 LLM 的輸出通常是非結構化的自由文字，難以在自動化流程中可靠地解析與使用。LLM Action 的誕生正是為了解決這些痛點。

最核心的特色是支援 Tool Schema 結構化輸出——你可以預先定義 JSON Schema，讓 LLM 的回應強制符合指定格式。這意味著 AI 不再只是回傳一段文字，而是產出可預測、可解析的結構化資料，每個欄位都會自動轉換為 GitHub Actions 的輸出變數，讓後續步驟能直接取用，無需額外的字串解析或正則表達式處理。這徹底解決了 LLM 輸出不穩定、難以整合進自動化流程的問題。

此外，LLM Action 提供統一介面串接任何 OpenAI 相容的服務，無論是雲端的 OpenAI、Azure OpenAI，還是本地部署的 Ollama、LocalAI、LM Studio、vLLM 等自託管方案，都能無縫切換。

實際應用場景包括：

自動化 Code Review：定義 Schema 輸出 score、issues、suggestions 等欄位，直接用於判斷是否通過審查
PR 摘要生成：結構化輸出 title、summary、breaking_changes 供後續自動更新 PR 描述
Issue 分類：輸出 category、priority、labels 自動為 Issue 加上標籤
Release Notes：產出 features、bugfixes、breaking 陣列，自動組成格式化的發布說明
多語言翻譯：批次輸出多個語言欄位，一次 API 呼叫完成多語系翻譯

透過 Schema 定義，LLM Action 讓 AI 輸出從「不可預測的文字」變成「可程式化的資料」，真正實現端到端的 AI 自動化工作流程。

基本使用方式

最簡單的使用方式，只需要提供 API Key、模型名稱和 Prompt：

- name: Simple LLM Call
  uses: appleboy/llm-action@v1
  with:
    api_key: ${{ secrets.OPENAI_API_KEY }}
    model: gpt-4o
    input_prompt: "請用一句話總結這段程式碼的功能"

支援多種 LLM Provider

LLM Action 支援任何 OpenAI 相容的服務，只需調整 base_url 參數：

# OpenAI (預設)
- uses: appleboy/llm-action@v1
  with:
    api_key: ${{ secrets.OPENAI_API_KEY }}
    model: gpt-4o
    input_prompt: "你的 prompt"

# Ollama (本地部署)
- uses: appleboy/llm-action@v1
  with:
    base_url: http://localhost:11434/v1
    model: llama3
    input_prompt: "你的 prompt"

# Azure OpenAI
- uses: appleboy/llm-action@v1
  with:
    base_url: https://your-resource.openai.azure.com
    api_key: ${{ secrets.AZURE_OPENAI_KEY }}
    model: gpt-4o
    input_prompt: "你的 prompt"

# Groq
- uses: appleboy/llm-action@v1
  with:
    base_url: https://api.groq.com/openai/v1
    api_key: ${{ secrets.GROQ_API_KEY }}
    model: llama-3.1-70b-versatile
    input_prompt: "你的 prompt"

應用場景

Code Review 結果 Schema

{
  "type": "object",
  "properties": {
    "score": { "type": "number" },
    "issues": { "type": "array", "items": { "type": "string" } },
    "suggestions": { "type": "array", "items": { "type": "string" } }
  },
  "required": ["score", "issues", "suggestions"]
}

PR 摘要生成 Schema

{
  "type": "object",
  "properties": {
    "title": { "type": "string" },
    "summary": { "type": "string" },
    "breaking_changes": { "type": "array", "items": { "type": "string" } }
  }
}

Issue 分類 Schema

{
  "type": "object",
  "properties": {
    "category": { "type": "string" },
    "priority": { "type": "string", "enum": ["high", "medium", "low"] },
    "labels": { "type": "array", "items": { "type": "string" } }
  }
}

實際 GitHub Actions 範例

以下是一個完整的自動化 Code Review 範例，展示如何透過 Tool Schema 讓 LLM 輸出結構化的審查結果：

name: AI Code Review

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  code-review:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout code
        uses: actions/checkout@v4
        with:
          fetch-depth: 0

      - name: Get PR diff
        id: diff
        run: |
          DIFF=$(git diff origin/${{ github.base_ref }}...HEAD)
          echo "diff<<EOF" >> $GITHUB_OUTPUT
          echo "$DIFF" >> $GITHUB_OUTPUT
          echo "EOF" >> $GITHUB_OUTPUT          

      - name: AI Code Review
        id: review
        uses: appleboy/llm-action@v1
        with:
          api_key: ${{ secrets.OPENAI_API_KEY }}
          model: gpt-4o
          system_prompt: |
            你是一位資深的程式碼審查專家。請根據以下標準審查程式碼：
            1. 程式碼品質與可讀性
            2. 潛在的 Bug 或安全漏洞
            3. 效能問題
            4. 最佳實踐建議            
          input_prompt: |
            請審查以下 Pull Request 的程式碼變更：

            ${{ steps.diff.outputs.diff }}            
          tool_schema: |
            {
              "name": "code_review",
              "description": "程式碼審查結果",
              "parameters": {
                "type": "object",
                "properties": {
                  "score": {
                    "type": "string",
                    "description": "評分 1-10，10 為最佳"
                  },
                  "summary": {
                    "type": "string",
                    "description": "審查摘要，50 字以內"
                  },
                  "issues": {
                    "type": "string",
                    "description": "發現的問題，以 markdown 列表格式"
                  },
                  "suggestions": {
                    "type": "string",
                    "description": "改善建議，以 markdown 列表格式"
                  },
                  "approved": {
                    "type": "string",
                    "description": "是否建議合併：yes 或 no"
                  }
                },
                "required": ["score", "summary", "issues", "suggestions", "approved"]
              }
            }            

      - name: Comment on PR
        uses: actions/github-script@v7
        with:
          script: |
            const score = '${{ steps.review.outputs.score }}';
            const summary = '${{ steps.review.outputs.summary }}';
            const issues = '${{ steps.review.outputs.issues }}';
            const suggestions = '${{ steps.review.outputs.suggestions }}';
            const approved = '${{ steps.review.outputs.approved }}';

            const emoji = approved === 'yes' ? '✅' : '⚠️';

            const body = `## ${emoji} AI Code Review 結果

            **評分：** ${score}/10

            **摘要：** ${summary}

            ### 🔍 發現的問題
            ${issues || '無'}

            ### 💡 改善建議
            ${suggestions || '無'}

            ---
            *此審查由 AI 自動產生，僅供參考*`;

            github.rest.issues.createComment({
              issue_number: context.issue.number,
              owner: context.repo.owner,
              repo: context.repo.repo,
              body: body
            });            

      - name: Set review status
        if: steps.review.outputs.approved == 'no'
        run: |
          echo "::warning::AI 審查建議：此 PR 需要進一步修改"
          exit 1

關鍵說明

Tool Schema 的威力

{
  "score": "8",
  "summary": "整體程式碼品質良好，但有幾處可以優化",
  "issues": "- 第 42 行存在潛在的 SQL injection 風險\n- 缺少錯誤處理",
  "suggestions": "- 使用參數化查詢\n- 加入 try-catch 區塊",
  "approved": "no"
}

每個欄位都會自動成為 GitHub Actions 的輸出變數：

${{ steps.review.outputs.score }} → 8
${{ steps.review.outputs.approved }} → no

這解決了傳統做法的痛點：

傳統做法	使用 Tool Schema
LLM 回傳自由格式文字	強制輸出指定 JSON 結構
需用正則表達式解析	欄位自動轉為輸出變數
格式不穩定，容易出錯	100% 可預測的結構化資料
難以做條件判斷	直接用 `if: outputs.approved == 'no'`

透過這個模式，你可以輕鬆建立可靠的 AI 自動化流程，讓 Code Review 結果直接驅動後續動作——無論是留言、加標籤、阻擋合併，都能精準控制。

總結

LLM Action 解決了將 AI 整合進 CI/CD 流程的兩大痛點：服務商綁定與輸出不可預測。透過統一的 OpenAI 相容介面，你可以自由切換各種雲端或本地 LLM 服務；透過 Tool Schema 結構化輸出，AI 的回應不再是難以解析的自由文字，而是可程式化、可預測的結構化資料。

無論你想要自動化 Code Review、生成 PR 摘要、分類 Issue，還是產出 Release Notes，LLM Action 都能讓 AI 輸出直接驅動後續的自動化流程，真正實現端到端的 AI 工作流程整合。

歡迎前往 GitHub 專案頁面查看更多範例與完整文件，開始打造屬於你的 AI 驅動開發流程！