---
date: 2026-04-06 23:39
created: 2026-04-06 23:39
updated: 2026-04-06 23:39
categories:
tags:
---
# 1. 背景
1. 资深 reviewer 是稀缺资源。随着 PR 数量增加，review 排队问题会越来越明显。
2. 人工 review 很容易把大量时间花在重复扫描上，比如空指针、防御性校验、日志脱敏、测试缺失、依赖升级风险等。
3. AI 提升了代码产出速度，但 review 的吞吐能力并没有同步增长。
4. 不同 reviewer 的关注点差异很大，容易导致审查质量不稳定。
# 2. 价值
AI review 的真正价值不是简单“更快看完代码”，而是把审查流程前移，把基础问题筛掉，把高风险区域高亮出来，让人工 reviewer 的注意力更多投向业务、架构和风险判断。
# 3. 能力分层
![AI辅助代码Review能力分层图](https://shinerio.oss-cn-beijing.aliyuncs.com/ai-generated/2026/04/04/design-a-premium-editorial-infographic-in-simplified-chinese-for-a-technical-res-20260404-081807.jpg)
- 第一层是**基础自动化审查**。重点是让所有 PR 在进入人工 review 之前，都先经过一轮自动摘要、基础 bug 扫描、安全检查、测试提醒和风险初判。
- 第二层是**上下文感知审查**。这时候 AI 不再只看 diff，而是结合仓库中的 `AGENTS.md`、`REVIEW.,d`、目录语义、ownership、关联 issue 等信息来理解改动的真实上下文。
- 第三层是**可执行审查**。AI 不只提出问题，还可以给出 patch suggestion、补测试建议、文档补充建议，甚至为发现的问题创建后续修复任务。
- 第四层是**流程编排审查**。比如 PR 创建自动 review、新提交自动 re-review、高风险目录触发深度审查、review 结果汇总到 issue 或周报。
- 第五层是**持续学习与治理**。包括误报/漏报分析、规则优化、prompt 调整、不同仓库/语言的策略分层，以及对 AI review 命中率和采纳率的持续观测。
从实践角度看，前两层解决“能不能用”，后三层解决“值不值得长期用”。
# 4. 人工与 AI 的边界应该怎么划分
  

![人机协同代码Review工作流图](https://shinerio.oss-cn-beijing.aliyuncs.com/ai-generated/2026/04/04/design-a-premium-editorial-workflow-infographic-in-simplified-chinese-for-a-tech-20260404-081843.jpg)

  
- AI 更适合做的，是第一轮全量扫描、重复性检查、基础安全/测试/文档问题提醒、风险点预标注、评论聚合以及低复杂度修复建议。
- 人工必须保留的职责，是业务逻辑正确性判断、架构合理性判断、系统边界和回滚策略判断，以及最终 merge 责任。AI 可以帮助团队“看得更全”，但不能替团队“承担责任”。
因此，比较合理的人机协作流程应当是：
1. **PR 打开时**，AI 先生成摘要、跑基础 review、标出高风险区域。作者先处理高置信问题，再发起人工 review。
2. **人工 reviewer 进入前**，AI 生成 briefing：改了什么、哪些地方最值得看、已发现但未修的问题、可能影响的上下游。
3. **review 过程中**，人工 reviewer 聚焦业务和架构，AI 辅助解释上下文、归纳讨论、给出 patch 建议。
4. **收尾阶段**，AI 汇总所有 comment，输出 closing checklist，帮助团队确认是否仍有 unresolved risk。
## 4.1. 人工与 AI 的时间配置建议
AI review 的目标不是把人工减少到几乎没有，而是把人工时间结构重构掉。在传统模式下，一个 reviewer 的时间经常分布在：理解 PR、逐行扫 diff、来回写 comment、再验证修复。AI 介入后，理想状态不是“AI 做 90%，人只看 10%”，而是“AI 做掉 70% 的基础扫描，人把主要精力放在最值钱的 30% 判断上”。从单个 PR 角度看，人工可以少花时间从零理解变更，多花时间确认高风险逻辑、判断业务边界和做最终 merge judgment。
## 4.2. 实践建议
- 所有 PR 跑 AI review，高风险 PR 保留双人 review，每周花 30~60 分钟复盘质量。
- AI review 变成标准前置步骤，为每个仓库设 review instruction owner，每周花 1~2 小时维护规则和 prompt。