Mira คือ AI Code Reviewer แบบโอเพนซอร์สที่ออกแบบมาให้เรา Self-host ได้เองทุกฟังก์ชัน พูดง่ายๆ คือเราสามารถนำ AI มารีวิว Pull Request (PR) ได้แบบเครื่องมือดังๆ ในตลาด แต่โค้ดของบริษัทยังคงอยู่ในโครงสร้างพื้นฐานของเรา 100% ตั้งแต่ระบบรีวิว การทำ Code Indexing ทั้ง Repository การสแกนหาช่องโหว่ ไปจนถึง Dashboard วิเคราะห์ข้อมูล

จุดนี้ทำให้ Mira แตกต่างจากตัวเลือกส่วนใหญ่ในตลาด เพราะเครื่องมือ AI Code Review ยอดนิยมเกือบทั้งหมดเป็นบริการแบบ SaaS เมื่อต้องส่ง Pull Request ไปรีวิว ระบบจึงต้องส่ง Code Diff และบริบทของโค้ดรอบข้างขึ้นไปประมวลผลบนคลาวด์ของบริษัทผู้ให้บริการ ทำให้ซอร์สโค้ดของบริษัทต้องออกไปอยู่นอกพื้นที่ที่เราควบคุม สำหรับทีมที่มีนโยบายความปลอดภัยเข้มงวดหรือมีข้อกำหนดเรื่อง Data Residency เครื่องมือแบบ SaaS จึงแทบหมดสิทธิ์ใช้งานตั้งแต่แรก แต่ Mira เข้ามาแก้โจทย์นี้โดยทำให้เราได้ประสิทธิภาพการรีวิวจาก AI โดยที่โค้ดไม่เคยหลุดออกนอกบ้าน

ปัญหาไม่ใช่เรื่องความฉลาดของ AI แต่อยู่ที่โค้ดต้องเดินทาง

อุปสรรคสำคัญที่หลายทีมต้องเจอไม่ใช่เรื่องคุณภาพของผลรีวิว แต่คือเงื่อนไขการส่งโค้ดออกภายนอก เพราะซอร์สโค้ดถือเป็นทรัพย์สินและลิขสิทธิ์สำคัญขององค์กร สำหรับบริษัทหรือทีมที่ทำสัญญากับลูกค้าว่าโค้ดและข้อมูลต้องอยู่ภายในเซิร์ฟเวอร์เฉพาะเท่านั้น การใช้ SaaS ทั่วไปจึงเป็นความเสี่ยงที่ไม่สามารถยอมรับได้

Mira แก้ปัญหานี้ด้วยการเก็บทุกอย่างไว้ในระบบของเราเอง ไม่ว่าจะเป็น Source Code, Diff, Embeddings, Index, ประวัติการรีวิว ไปจนถึงข้อมูลช่องโหว่ความปลอดภัย ทั้งหมดจะถูกบันทึกไว้ในฐานข้อมูล SQLite หรือ PostgreSQL ที่รันบน Infrastructure ของเรา ตัวซอฟต์แวร์ไม่มีการส่ง Telemetry กลับไปหาผู้พัฒนา ไม่มีการแบ่งฟีเจอร์เป็น Paid Tier ไม่มี License Key และไม่มีการอัปเซลล์ ทุกฟีเจอร์เปิดให้ใช้งานครบถ้วนภายใต้ลิขสิทธิ์ Apache 2.0

เลือกและสลับโมเดล AI ได้อย่างอิสระ

แม้ว่า Mira จะเก็บข้อมูลไว้ในระบบ แต่ระบบการคิดวิเคราะห์ยังคงต้องใช้พลังของโมเดลภาษาขนาดใหญ่ (LLM) สิ่งที่น่าประทับใจคือความยืดหยุ่นในการเลือกใช้โมเดล ค่าเริ่มต้นของ Mira จะเชื่อมต่อผ่าน OpenRouter ซึ่งเป็นเกตเวย์รวมโมเดลชั้นนำ เช่น Anthropic Claude, OpenAI, Google Gemini และ DeepSeek

แต่หากต้องการให้ทุกกระบวนการอยู่ในระบบปิดอย่างแท้จริง Mira ก็เปิดให้เรากำหนดค่า llm.base_url ไปยังเซิร์ฟเวอร์ LLM ในบ้านได้ทันที ไม่ว่าจะเป็น vLLM, Ollama หรือ LiteLLM Proxy ข้อมูลโค้ดทั้งหมดจึงประมวลผลอยู่บน GPU ภายในองค์กรโดยไม่ต้องผ่าน API ของผู้ให้บริการรายอื่น เหมาะอย่างยิ่งสำหรับองค์กรที่ต้องการ Data Residency แบบ 100% นอกจากนี้สำหรับทีมที่ใช้บริการ AWS อยู่แล้ว ก็สามารถต่อตรงเข้ากับ AWS Bedrock ได้ทันที

การตั้งค่าทั้งหมดจัดการผ่านไฟล์ mira.yaml เพียงไฟล์เดียว โดยมีค่าเริ่มต้นเป็น anthropic/claude-sonnet-4-6 สำหรับการรีวิวเชิงลึก และใช้ anthropic/claude-haiku-4-5 สำหรับงาน Indexing ที่ต้องการความเร็วและประหยัด ส่วน API Keys และข้อมูลลับต่างๆ จะแยกเก็บไว้ในไฟล์ .env อย่างปลอดภัย

วิธีติดตั้งและเริ่มใช้งานเป็น GitHub App

Mira ทำงานในรูปแบบของ GitHub App ที่ติดตั้งไว้กับ Repository เพียงครั้งเดียว หลังจากนั้นทุกครั้งที่มีการเปิด Pull Request ระบบจะเข้ามาช่วยตรวจทานและรีวิวโค้ดให้โดยอัตโนมัติ โดยระบบไม่ได้มองแค่ Diff เฉพาะจุด แต่จะทำการ Index โค้ดทั้งโปรเจกต์ไว้ล่วงหน้า ทำให้ AI มีบริบทที่กว้างพอและเข้าใจผลกระทบข้ามไฟล์ได้อย่างแม่นยำ

ขั้นตอนการเริ่มต้นใช้งานมีดังนี้:

1. สร้าง GitHub App ในหน้าตั้งค่าของ GitHub กำหนดสิทธิ์การเข้าถึง (Permissions) สำหรับอ่านและเขียน Pull Requests, Contents และ Issues จากนั้นดาวน์โหลด Private Key ออกมาเป็นไฟล์ .pem
2. Deploy Mira ด้วย Docker จากอิมเมจ ghcr.io/miracodeai/mira:latest พร้อมกำหนดค่าในไฟล์ mira.yaml และ .env (สามารถโฮสต์บนบริการอย่าง Railway, Fly.io หรือ Render ได้ตามสะดวก)
3. ติดตั้ง GitHub App ลงใน Repository ที่ต้องการ จากนั้นเปิด Pull Request เพื่อทดสอบระบบได้ทันที

หากต้องการทดลองดูรูปแบบการรีวิวก่อนเชื่อมต่อกับ GitHub จริง สามารถรันคำสั่งทดสอบผ่าน Terminal บนเครื่องตัวเองได้ง่ายๆ:

git diff HEAD~1 | mira review --stdin --dry-run --config mira.yaml

เมื่อติดตั้งเรียบร้อยแล้ว หากต้องการถามคำถามเพิ่มเติมเกี่ยวกับโค้ดใน PR สามารถพิมพ์คอมเมนต์แท็ก @miracodeai พร้อมคำถามได้ทันที ระบบจะเข้ามาตอบกลับใน Thread เหมือนเราพูดคุยกับเพื่อนร่วมทีม ทั้งนี้ในปัจจุบัน Mira รองรับเฉพาะแพลตฟอร์ม GitHub เป็นหลัก ส่วน GitLab, Bitbucket และ Gitea อยู่ในแผนการพัฒนาลำดับถัดไป

ฟีเจอร์ระดับองค์กรและแผนผังความเชื่อมโยงของโค้ด

นอกเหนือจากการรีวิวโค้ดราย PR แล้ว Mira ยังมี Dashboard ภายในตัวที่ช่วยให้ทีมเห็นภาพรวมของทั้งองค์กรได้อย่างชัดเจน:

• การติดตาม Dependency และช่องโหว่ (Vulnerability Scanning): ระบบจะบันทึกว่าแต่ละ Repo มีการใช้งานแพ็กเกจอะไรบ้าง และจะดึงข้อมูลช่องโหว่ความปลอดภัยจากฐานข้อมูล OSV.dev มาอัปเดตทุกชั่วโมง พร้อมแจ้งเตือนระดับความรุนแรงและเวอร์ชันที่แก้ไขแล้ว
• แผนภาพวิเคราะห์ผลกระทบ (Blast Radius Graph): ช่วยให้ทีมเห็นภาพความเชื่อมโยงก่อนแก้ไขโค้ด ว่าฟังก์ชันหรือ Symbol ใดกำลังถูกเรียกใช้งานจากไฟล์หรือ Repo อื่นบ้าง
• การติดตามค่าใช้จ่ายจริง (Cost Tracking): เนื่องจากเราเป็นผู้จัดการ LLM API Key เอง ยอดการใช้งานและ Token บน Dashboard จึงเป็นตัวเลขจริงที่เกิดขึ้น ช่วยให้บริหารงบประมาณของแต่ละทีมได้อย่างแม่นยำ

ระบบเรียนรู้การทำงานและข้อควรพิจารณา

ปัญหาที่พบบ่อยของ AI Code Reviewer คือการแจ้งเตือนที่มากเกินไปจนกลายเป็น Noise รบกวนโปรแกรมเมอร์ Mira แก้ปัญหานี้ด้วยการตั้งค่า Confidence Threshold คัดกรองคอมเมนต์ที่ซ้ำซ้อน จัดลำดับตามความสำคัญ และจำกัดจำนวนคอมเมนต์ต่อ PR โดยค่าเริ่มต้นจะแสดงเฉพาะคอมเมนต์ที่มีความมั่นใจสูงกว่า 0.7 และไม่เกิน 5 รายการต่อ PR นอกจากนี้ยังมี Learning Loop ที่เรียนรู้จากคอมเมนต์ที่โปรแกรมเมอร์กดปฏิเสธ เพื่อปรับปรุงกฎการรีวิวให้ตรงกับสไตล์ของทีมมากขึ้น

สำหรับผลการทดสอบความเร็วและคุณภาพ (Benchmark) ผู้พัฒนา Mira เคลมว่าเป็นหนึ่งในเครื่องมือที่ประมวลผลได้รวดเร็วเมื่อเทียบกับคุณภาพ อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นการทดสอบภายในของผู้พัฒนาเองบนชุดข้อมูล 50 PR โดยใช้ Claude 3.5 Sonnet เป็นเกณฑ์ประเมิน จึงควรนำมาใช้เป็นข้อมูลอ้างอิงเบื้องต้นและทดสอบกับการใช้งานจริงในทีมอีกครั้ง

สิ่งที่ทำให้ Mira โดดเด่นคือการให้ทางเลือกกับทีมวิศวกรรม หากเราต้องการความสะดวกแบบไม่ต้องดูแลระบบเอง บริการแบบ SaaS อาจตอบโจทย์ แต่หากโจทย์หลักคือความปลอดภัยและซอร์สโค้ดต้องอยู่ในการควบคุม 100% การลงทุนดูแลระบบ Self-host อย่าง Mira คือคำตอบที่คุ้มค่าและปลอดภัยที่สุดในระยะยาว

แหล่งข้อมูลอ้างอิง:

• GitHub - miracodeai/mira: Self-hosted AI code reviewer with indexed PR reviews, walkthroughs, vulnerability scanning, dependency graphs, custom rules, and a learning loop. จาก Mira บน GitHub
• Introduction | Mira จากเอกสารทางการของ Mira