localreview: Lokale KI-Code-Reviews mit Claude Code – DSGVO-konform und Cloud-unabhängig

Dein Code verlässt deinen Rechner nicht – und trotzdem bekommst du einen strukturierten KI-Code-Review. Mit localreview kannst du in Claude Code eine zweite Meinung zu deinem Diff einholen, die auf einem lokal laufenden Modell basiert. Kein Cloud-Provider, kein Datenleck, keine Abhängigkeit von externen APIs.

Warum localreview?

Claude Code ist ein mächtiges Werkzeug – aber wer sensible Codebasen reviewed, steht vor einem Dilemma. Der integrierte KI-Review verlässt den lokalen Rechner und wird an Cloud-APIs gesendet. Für viele Unternehmen ein Ausschlusskriterium, besonders bei proprietärem Code, vor der Veröffentlichung oder in DSGVO-regulierten Umgebungen.

Die bestehende Lösung von OpenAI (Codex CLI mit Codex-Plugin-CC) zeigte die Richtung: Ein Plugin, das einen zweiten KI-Review hinzufügt. Aber es war an Codex gebunden – einen Cloud-Dienst.

localreview macht den gleichen Ansatz, aber Cloud-unabhängig. Es sendet deinen Diff an ein lokal laufendes, OpenAI-kompatibles Modell – zum Beispiel oMLX auf deinem MacBook, oder zukünftig LM Studio.

Wie es funktioniert

Das Plugin ist als Claude Code Plugin realisiert und stellt fünf Slash-Kommandos bereit:

Befehl	Funktion
`/localreview:review`	Startet einen Review des aktuellen Diffs (mit Optionen für Scope, Branch, Modell)
`/localreview:status`	Zeigt laufende und abgeschlossene Review-Jobs
`/localreview:result`	Zeigt das Ergebnis eines abgeschlossenen Reviews
`/localreview:cancel`	Bricht einen laufenden Review ab
`/localreview:setup`	Prüft, ob der lokale Server erreichbar ist und listet verfügbare Modelle

Der Review läuft vollständig asynchron – große Modelle brauchen mehrere Minuten. Mit --background arbeitest du weiter, während der Review im Hintergrund läuft.

Lokale Modelle als Review-Engine

Im ersten Schritt unterstützt localreview oMLX – einen auf Apple Silicon spezialisierten LLM-Inference-Server mit Continuous Batching, SSD-Caching und Multi-Modell-Management. oMLX läuft auf dem MacBook und stellt eine OpenAI-kompatible API auf http://127.0.0.1:8000/v1 bereit.

Die Erweiterung auf LM Studio ist bereits in der Architektur angelegt – da LM Studio ebenfalls eine OpenAI-kompatible API anbietet, genügen kleine Anpassungen in der Konfiguration.

Der entscheidende Unterschied: Datenschutz

Anders als Cloud-basierte Review-Lösungen verlässt dein Code bei localreview nie deinen Rechner. Die Kommunikation läuft ausschließlich über localhost:

Keine Datenübertragung in die Cloud
Keine Abhängigkeit von externen APIs
Keine Speicherung auf fremden Servern
Vollständig DSGVO-konform

Das Plugin warnt dich sogar explizit, wenn du versehentlich eine externe Adresse konfigurierst – deine Sicherheit ist eingebaut, nicht optional.

Installation

# In Claude Code:
/plugin marketplace add mjochum64/localreview
/plugin install localreview@localreview

Danach reicht ein /localreview:setup, um zu prüfen, ob dein lokaler Server läuft.

Konfiguration

Du hast drei Wege, den Server und das Modell zu konfigurieren (in dieser Reihenfolge):

CLI-Flag: --model <id> auf dem Review-Befehl
Umgebungsvariablen: LOCALREVIEW_BASE_URL, LOCALREVIEW_MODEL
Config-Datei: ~/.config/localreview/config.json

Standardmäßig verbindet sich localreview mit http://127.0.0.1:8000/v1 und wählt das erste verfügbare Modell aus.

Was localreview besonders macht

Read-only: Das Plugin ändert nie Code, wendet nie Vorschläge an und läuft nur auf deine explizite Anfrage
Strukturierte Ausgabe: Findings werden nach Schweregrad sortiert (via JSON-Schema)
Sensible Dateien ausgeschlossen: .env, .pem, SSH-Keys und ähnliche Dateien landen gar nicht erst im Diff
Deutsches Interface: Kommandos, Fehlermeldungen und der Review selbst sind auf Deutsch
Open Source: Apache-2.0-Lizenz – einsehbar, erweiterbar, auditierbar

Ausblick

localreview ist der erste Schritt in eine Richtung, die ich für die Zukunft der Code-Review-Haltung halte: Lokale KI als zweiten Pair-Programmer, der unabhängig, datenschutzkonform und jederzeit verfügbar ist. Die Integration von LM Studio, mehr Modell-Backends und eine englische Oberfläche sind die logischen nächsten Schritte.

Wer mitmachen möchte: Das Repository ist offen für Issues, Pull Requests und Ideen.