Pull Requests auf einen Blick: automatische Review-Zusammenfassungen mit n8n und KI
Vor jedem Review musste ich mich erst mühsam einlesen: Worum geht es, was wurde geändert, wie teste ich das? Mit n8n habe ich einen täglichen Workflow gebaut, der Kontext aus Pull Request, Jira-Ticket und Confluence zusammenführt und eine verständliche Zusammenfassung mit Testanleitung ins Ticket schreibt. Ein kleines Hilfswerkzeug, das das Team optional mitnutzt.
- Kategorie
- Automatisierung
- Kontext
- Entwicklungsteam mit 20+ Entwicklern
- Rolle
- Initiator & Entwickler (Eigeninitiative)
- Zeitraum
- Mai 2026
- Tech-Stack
- n8nLLMJiraConfluenceGit
- läuft automatisch
- täglich
- PR, Jira, Confluence als Kontext
- 3 Quellen
Ausgangslage
Bei jedem Pull-Request-Review stand zuerst die gleiche Fleißarbeit an: sich einlesen, worum es überhaupt geht, verteilt über den PR, das Jira-Ticket und die Dokumentation in Confluence, teils auf Deutsch, teils auf Englisch. Erst danach begann das eigentliche Review.
Lösung
Ich habe mich in n8n eingearbeitet und einen Workflow gebaut, der jeden Tag automatisch läuft:
- Er sucht Pull Requests, die noch kein bestimmtes Label haben.
- Für jeden PR baut er Kontext aus dem PR selbst, dem zugehörigen Jira-Ticket und Confluence auf.
- Ein Sprachmodell erstellt daraus eine Zusammenfassung: Welches Problem bestand, was wurde gelöst, wie wurde es gelöst, welche Befehle müssen ausgeführt werden, und wie lässt es sich manuell am besten prüfen.
- Die Zusammenfassung landet im Jira-Ticket, und der PR bekommt ein Label, damit er nicht doppelt verarbeitet wird.
Wichtig war mir die klare Rolle des Tools: Es ersetzt kein Review, sondern verkürzt den Einstieg.
Ergebnis
Für mich ist das Tool in vielen Fällen ein praktischer Einstieg ins Review, aber nicht in allen. Im Team sind die Meinungen geteilt: Manche finden es bequem, andere brauchen es nicht. Weil es optional und vollautomatisch läuft, stört es niemanden, der es nicht nutzt.
Erkenntnisse
Nicht jedes Werkzeug muss für alle passen. Kleine, eigene Automatisierungen lohnen sich schon dann, wenn sie die eigene Arbeit erleichtern. Ehrlich bewertet zeigen sie aber auch, wo KI hilft und wo nicht.