Revisiones de Código con IA Local en GitHub PRs usando LM Studio y GitHub Actions

Quería revisiones automáticas de código en los pull requests sin enviar mi código a una API de terceros. Ya ejecuto LM Studio en mi PC gaming con Windows con qwen/qwen2.5-coder-14b y google/gemma-4-26b-a4b cargados, y la VM de mi home lab está conectada a la misma red Tailscale. Montarlo todo llevó menos de una hora — una vez que descubrí por qué el Firewall de Windows estaba bloqueando todo silenciosamente.

La Arquitectura

PR abierto → GitHub Actions (runner self-hosted en la VM)
              → health check: ¿LM Studio es accesible?
              → sí: obtener diff → llamar a Qwen → publicar comentario en PR
              → no: publicar aviso "IA offline" → fin

El runner self-hosted ya está en la misma VM que el sitio del portfolio (explicado en un post anterior). LM Studio corre en un PC Windows separado conectado via Tailscale.

Conectar LM Studio por Tailscale

LM Studio tiene un toggle “Serve on Local Network” en la pestaña Developer. Al activarlo, se enlaza a 0.0.0.0:1234, haciéndolo accesible via la IP de Tailscale.

El problema: cuando Windows ejecutó LM Studio por primera vez y mostró el aviso del firewall, debí hacer clic en la opción incorrecta. Windows creó silenciosamente dos reglas de bloqueo para lm studio.exe que anulaban todo lo demás — incluyendo las reglas de Allow que añadí manualmente después.

La solución fue eliminar esas reglas de bloqueo:

Get-NetFirewallRule | Where-Object { $_.DisplayName -eq "lm studio.exe" -and $_.Action -eq "Block" } | Remove-NetFirewallRule

Después de eso, la VM pudo acceder a LM Studio inmediatamente:

curl http://100.115.80.116:1234/v1/models
# devuelve {"data": [{"id": "google/gemma-4-26b-a4b"}, {"id": "qwen/qwen2.5-coder-14b"}]}

El Workflow de GitHub Actions

El workflow se activa en cada PR abierto o actualizado contra main. La decisión de diseño clave fue hacer la revisión de IA completamente opcional — si LM Studio está apagado, el workflow sigue pasando y solo deja un aviso breve.

- name: Comprobar disponibilidad de LM Studio
  id: lmstudio-check
  run: |
    if curl -sf --max-time 5 http://100.115.80.116:1234/v1/models > /dev/null 2>&1; then
      echo "available=true" >> $GITHUB_OUTPUT
    else
      echo "available=false" >> $GITHUB_OUTPUT
    fi

Cada paso posterior usa if: steps.lmstudio-check.outputs.available == 'true' para que se omitan completamente cuando el PC está apagado.

El diff se limita a tipos de archivo relevantes y se recorta a 12KB para no sobrecargar el modelo:

git diff origin/${{ github.base_ref }}...HEAD \
  -- '*.ts' '*.tsx' '*.astro' '*.js' '*.mjs' '*.css' '*.json' \
  | head -c 12000 > /tmp/pr_diff.txt

La llamada a la API usa el endpoint compatible con OpenAI que expone LM Studio:

PAYLOAD=$(jq -n --arg diff "$DIFF" '{
  model: "qwen/qwen2.5-coder-14b",
  messages: [
    {
      role: "system",
      content: "Eres un ingeniero de software senior haciendo una revisión de código. Sé conciso y práctico. Céntrate en: bugs, problemas de seguridad, problemas de rendimiento y calidad del código. Omite problemas menores de estilo."
    },
    {
      role: "user",
      content: ("Por favor revisa este diff de pull request:\n\n```diff\n" + $diff + "\n```")
    }
  ],
  temperature: 0.3,
  max_tokens: 1500,
  stream: false
}')

curl -sf --max-time 180 \
  -X POST ${{ secrets.LMSTUDIO_URL }}/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d "$PAYLOAD"

temperature: 0.3 mantiene la revisión enfocada y consistente. max_tokens: 1500 es suficiente para una revisión completa. El timeout de 120s le da tiempo suficiente a Qwen2.5 Coder 14B.

La revisión se publica como comentario en el PR via actions/github-script:

await github.rest.issues.createComment({
  owner: context.repo.owner,
  repo: context.repo.repo,
  issue_number: context.issue.number,
  body: `## 🤖 Revisión de Código IA\n\n${review}\n\n---\n*Revisado por Qwen2.5 Coder 14B ejecutándose localmente*`
});

¿Por Qué Qwen2.5 Coder 14B?

Tengo dos modelos cargados: qwen/qwen2.5-coder-14b y google/gemma-4-26b-a4b. Qwen Coder está específicamente entrenado en código y da feedback técnico más preciso — entiende patrones específicos de cada lenguaje, detecta bugs potenciales con más fiabilidad y produce comentarios de revisión estructurados. Gemma 4 es un modelo general potente, pero para revisión de código gana un modelo especializado en código.

El tamaño 14B es un punto óptimo — suficientemente rápido para revisar un diff típico de PR en menos de un minuto en una GPU gaming, y suficientemente capaz para detectar problemas reales.

El Resultado

Cada PR recibe ahora un comentario de revisión automático en 1-2 minutos (dependiendo del tamaño del diff y la carga de la GPU). Cuando mi PC gaming está apagado, el workflow publica un aviso de una línea y termina limpiamente — sin checks fallidos, sin PRs bloqueados.

Todo corre en hardware que ya tengo, no cuesta nada por revisión, y mantiene el código completamente en mi propia infraestructura.