如何为 AI 生成的代码重新设计代码审查

AI 编程工具产出实现的速度，可能快过团队审查它们的速度。可预见的做法是再加一个自动审查器，或要求资深工程师更快清空队列。但这两种做法都没有触及根本约束：合格的人类注意力有限，而更大的 diff 不会因为软件生成得快就更容易理解。

更好的目标不是取消审查，而是把每种判断放在价值最高的位置。确定性检查应自动运行；架构选择应在实现固化前受到质询；影响重大的变更仍应得到知情的人类审视。本指南说明如何建立这样的系统，而不把每个拉取请求都视为同等风险。

从审查本应完成的工作开始

许多团队用一次拉取请求批准同时满足多种需求：发现缺陷、安全、辅导、知识共享、架构治理、合规证据和共同所有权。这些结果都重要，但把它们捆绑在一个异步关卡中，会让队列难以管理。

微软关于现代代码审查的研究发现，开发者使用审查远不止为了找缺陷。审查对话帮助人们理解变更、探索替代方案，并了解整个代码库中的工作。这一证据反对取消人类协作，却不能证明实现结束总是协作的最佳时机。

写下审查政策必须保护的结果。处理支付或身份系统的团队可能优先考虑授权边界和可审计性；小型产品团队可能最在乎可维护性和共享语境。结果明确后，就能把每项结果分配给最早可靠的控制点，而不是留给笼统的批准。

在生成代码前前移设计判断

代价最高的审查意见，是实现完成后才否定基本方案的意见。AI 会让这更常发生，因为它能在另一位工程师看到之前，把早期假设扩散到许多文件。

对具有架构后果的变更，先审查意图。一份简短设计说明可写明问题、约束、受影响边界、考虑过的替代方案、回滚计划以及证明成功的证据。形式应相称：例行修复不需要委员会会议，新的授权模型则不能只靠提示词和一大段 diff。

早期讨论也能改善提示。团队已就接口、不变量和失败行为达成一致时，AI 编程代理会得到更清晰的边界。在改变方向仍然便宜时，人类判断塑造解决方案。

自动化答案确定的检查

格式化、lint 规则、类型错误、测试失败、密钥检测、已知依赖漏洞和明确的架构约束，不应消耗稀缺的审查者注意力。把这些检查放到审查队列之前，并让失败信息可操作。

架构适应度函数尤其有用。仓库可以测试某个包绝不导入另一个包的私有代码、数据库访问始终位于批准层之后，或公共 API 保持兼容。这些规则把反复出现的审查意见转化为可执行政策。

AI 审查器可通过总结变更意图、识别可疑模式或建议测试来增加价值。应把其发现当作带有不确定性的证据，而不是批准权威。团队应能看到运行了哪些检查、为何标记变更，以及人类驳回了哪些发现。

用明确的风险触发条件定义例外审查

只有例外具体时，例外审查才有效。常用触发条件包括身份验证、授权、计费、隐私、数据删除、加密、部署基础设施、公共 API、数据库模式或安全关键行为的变更。新颖架构、不熟悉的所有权、作者信心低、测试薄弱和影响范围大，也应提高审查强度。

例行变更在留在已知边界内、通过确定性检查、包含充分测试且易于回退时，可以走更快的路径。政策起初应保守；只有从真实结果中获得足够证据后，才扩大自动化资格。

Meta 的 RADAR 研究值得参考，因为它在自动合入前采用了多个资格门槛和风险信号。其报告结果不能推广到每项变更：系统有意选择低风险工作，并依赖大规模内部遥测。教训是选择性自动化依赖强边界，而不是不受限制的 AI 审查器可以安全替代人。

让变更小到足以理解和回退

AI 很容易生成超过问题所需的代码。大型 diff 增加审查时间、隐藏无关行为并使回滚更难。设置限制，鼓励每项变更只产生一个连贯结果，并要求将生成的清理或重构与功能工作分开。

要求作者用平实语言说明意图、风险、测试证据和回滚。一份有用的描述应帮助审查者决定看哪里；它不应是对每个变更文件的机器生成复述。变更若无法简短说明，可能应拆分或更早讨论。

衡量安全交付的能力，而非生成的行数或合并的拉取请求。当事故负担、返工或依赖复杂性增长快于客户价值时，更快的代码生产没有用。

在拉取请求之外保留设计意图

合并后的对话不是架构知识的良好长期载体。重要决定应在可搜索记录中关联需求、约束、替代方案、预期行为和运行信号。把记录链接到实现，但要在 diff 不再新鲜后仍可理解。

这很重要，因为 AI 会同时增加认知债务和意图债务。软件扩张快于维护者建立可用心智模型时，认知债务增长；决策理由消失时，意图债务增长。强制批准不会自动避免任何一种债务；忙碌的审查者可能批准却没有形成持久理解。

轮换所有权，让不止一人参与重要设计工作，并用事故复盘更新风险规则。当原作者之外的工程师也能解释关键流程并在其失败时响应，流程才是健康的。

将新政策作为实验推出

从一类低风险变更开始。记录资格规则、自动检查和人工退出机制。与基线比较前置时间、回退率、事故率、审查投入和恢复上下文所花时间。

像审查误报一样仔细审查漏报。若看似例行的变更造成损害，找出缺失的信号或边界并更新政策。若自动检查反复阻止安全工作，就改进它们，同时不要削弱保护重要系统的控制。

实际目标是分层审查系统：人类在不确定决策上早期协作，机器执行可重复规则，经验丰富的审查者聚焦后果值得其注意的变更。这样，AI 成为减少机械工作的方法，而不是取消问责或让系统理解落后于代码的理由。