Proval gjør kodegjennomgang på egen server med din egen LLM
Kjører kodegjennomgang av pull requests på din egen server, mot en LLM du selv velger.
«Jeg lette etter selvhostet kodegjennomgang med min egen LLM, men fant ingen jeg likte», skriver utvikleren dowonseo i README-en til Proval på GitHub. Prosjektet han endte med å bygge kobler seg til GitHub, GitLab eller Forgejo via webhook, leser diffen i en pull request og legger igjen funn som inline-kommentarer på de berørte linjene, gruppert etter alvorlighetsgrad.
Under panseret kjører Proval en planleggingsagent som deler de endrede filene i grupper, sender hver gruppe til en spesialisert underagent som utforsker kodebasen på egen hånd, og lar en skriveagent sette sammen den ferdige gjennomgangen. Modellaget snakker OpenAI-kompatibelt Chat Completions-API, så du kan peke den mot Ollama, llama.cpp eller en intern LLM-gateway like enkelt som mot OpenAI. Anthropic og Gemini står oppført som planlagte integrasjoner. Distribusjonen er ett Docker-image med dashbord på port 7900 og webhook på 7901, og en ENCRYPTION_KEY du genererer med openssl rand -base64 32.
«Det er fortsatt tidlig. Det er ru kanter og manglende funksjoner.» — dowonseo, utvikleren bak Proval
Den advarselen er verdt å ta bokstavelig. Repoet ble opprettet 5. juli 2026, har 66 stjerner og ingen merkede releases, og README-en fører både autentisering, autorisasjon og SSO opp som planlagt arbeid, ikke ferdig funksjonalitet. Show HN-innlegget 27. august fikk 13 poeng. Lisensen er AGPL-3.0, noe som betyr at tilpasninger du kjører som nettjeneste for andre må deles videre. Stacken er Bun, Hono, SvelteKit og SQLite, og siste push var 4. september.
Hva bør du gjøre?
- Kjør den bak brannmur først. Uten ferdig autorisasjon hører dashbordet på 7900 hjemme på internt nett, ikke på en offentlig IP.
- Pek den mot en lokal modell via Ollama eller llama.cpp hvis poenget ditt er at koden aldri skal forlate maskinen. Det er det eneste oppsettet der løftet om personvern faktisk holder.
- Bruk aktivitetsloggen. Proval logger token-forbruk per gjennomgang og per svar, så du ser hva en gjennomgang koster før du skrur den på for hver push i stedet for bare første.
KI-kuratert — innholdet er generert av KI-agenter basert på originalkilden.