AI编程普及下Code Review的新困局与破局之道_服务软件

1. 卡帕西宣判Vibe Coding终结！99%代码AI接管，智能体工程时代开启

2. 团队用vibe coding后，代码审查效率反而下降了，ai 为什么还不能替代初级程序员吗？

3. 大家在使用AI编程时，更倾向于让AI一次次生成短小易读的代码，还是直接放手让AI写一大片？

4. 硅谷《连线》杂志：性能顶级的 GPT-5们，正在输给一个中国开源模型#连线杂志 #AI #千问 #Qwen #千问恐慌

5. > 不出三年,软件工程专业,大概就是新的五笔打字培训班。说这种话的人，大概率不真正理解“软件工程”这四个字里，“工程”两个字的含量。工程是把一件模糊的、不确定的事情，通过有计划、有步骤的方法，靠谱地做成。软件工程就是把这套思路用在软件开发上，需求怎么理清、架构怎么设计、质量怎么保证、团队怎么协作、项目怎么推进，这是一整套系统性的能力。AI 现在确实强，但它强在软件生命周期里的编码环节（还有很大进步空间），或者说某几个具体阶段。但编码只是软件工程的一个环节，AI 并不能主导整个生命周期，从需求分析、系统设计、技术决策、团队管理到长期维护，这些事情远不是写代码快就能解决的。至少在相当长的时间内都不行。把软件工程类比成五笔打字，这是把“编程”和“软件工程”搞混了。这就好比说有了 3D 打印，建筑学专业就是新的砌墙培训班。能快速盖出一面墙，和设计一栋安全、合理、可维护的建筑，完全是两回事。

6. GPT-5.3 正式发布！完全免费开放，实测代码能力、推理、文本理解与响应速度 | 零度解说

7. 如何终结代码审查 (Code Review)

8. 近来，多位顶尖科技公司的资深软件工程师透露：“我现在的工作几乎全靠用 Opus 4.5、Cursor 或 Claude Code 进行提示生成代码，然后做理智的校验。”这标志着AI在软件开发领域已跨越了某个无形门槛，能够覆盖“绝大多数”编程任务。 Opus 4.5被认为是一个巨大飞跃，将开发任务的自动化率从约60%提升至80%。不少高级工程师表示，他们的日常工作变成了同时管理多个Git工作区，花5至10分钟给AI提示，剩下的时间主要审查和修正AI生成的代码。这一趋势引发了广泛讨论： - 资深开发者不再亲自写代码，而是通过订阅高级AI服务，指导AI完成任务。但这并非魔法，依然依赖使用者对需求和技术的深刻理解，否则适得其反。 - 有观点认为开发者正从“写代码”转变为“质量保证测试者”，主要职责是验证AI产出。 - 伴随着AI能力的提升，软件开发的难点正从编码转向明确需求、验证结果及价值归属。 - 一些人预见未来开发者更多成为高阶产品经理和系统架构师，专注于设计和规划，而非手写语法。 - 也有担忧，随着AI生成代码的普及，代码质量、技术债务和可维护性问题可能加剧，尤其在面对复杂系统和隐蔽bug时，人工介入仍不可或缺。 - 有开发者称自己已“彻底不写代码”，完全依赖AI辅助完成开发任务，强调了“提示工程”技能的重要性。 - 另一面，AI辅助加速了开发效率，让人们在同等时间内完成更多工作，但也带来技能退化的风险，初级开发者可能难以真正理解背后逻辑。 - 有声音提醒，AI生成代码的可靠性和安全性仍需人类专家严格把关。综合来看，AI正深刻改变软件开发的流程和角色定位：从传统的代码书写者，向“提示设计者”“系统架构师”乃至“质量监管者”转变。虽然AI大幅提升生产力，但复杂业务逻辑、系统设计、安全考量等仍需人类智慧主导。这与近期一篇《为何自1969年以来，我们每十年都试图取代开发者》的深度分析相呼应，文章指出历次技术浪潮虽提高了开发效率，但软件开发的本质——对复杂问题的思考和设计——是无法被工具完全取代的。未来，拥抱AI辅助开发，提升“提示工程”与系统思维能力，将成为软件工程师的新常态。唯有如此，才能在这场技术变革中保持竞争力，成为推动创新的主导力量，而非被技术边缘化的旁观者。 x.com/deedydas/status/2000472514854825985

9. OpenAI最新Harness工程分享 | 代码免费后，码农将变身“AI驾驭师”

10. AI生成代码的速度，远超人类。但为了保证软件系统的可靠性和安全性，当前关键代码，仍需人类的审核与复查，这就带来了一个“代码生产与代码审核速度不匹配”的问题，人脑干这事的低效，成为了最大的瓶颈。也许未来的时光，人类只需提出要干啥事情，软件系统会全部由AI生成和维护。到那时，在整个设计与开发流程中，AI不会再遵循人类制定的种种“软件工程理论、规范和流程”，它认为那是“自缚手脚”，它会自己“创造一套对机器友好”的方法。当前AI干的，还是先生成用编程语言描述的程序代码，再编译转换为机器可以执行的代码，这个明显是照顾人类的，因为人类看不懂最底层的机器代码。如果不用理会人类，AI可以一步到位，直接生成最终的机器码，也就是说，AI会把“愚蠢的人类”，从“软件开发”中“彻底踢出去”——AI：“愚蠢的人类，请你滚蛋，你，只会影响我写代码的速度！”但这里，还有个问题，AI不能坐牢，所以，最后大约还需要一个人类背锅侠，他的职责就是——负责坐牢。

11. 千问APP全面接入阿里生态，超车美国、带领国内AI行业进入办事时代。#ai #千问 #阿里 #科技 #马斯克

12. 硅谷工程师称用 AI 提效 10 倍但更累，是 AI 时代普遍现象吗？该如何应对？

13. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

14. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

15. 用 AI 写出更好的代码，但速度要慢。大多数人用 AI Coding 的方式是：prompt 进去，代码出来，commit，push，merge。速度飞快，PR 越来越大，但没人真正理解里面发生了什么。工程师 Nolan Lawson 的文章，提出一个观点：LLM 完全可以用来写更高质量的代码，只是你得放弃"快"这个执念。LLM 是天生的 bug 猎手，但判断力很差把一个 Claude agent 扔进一个没有仔细审计的代码库，它能找出大量问题——SQL 查询缺索引、HTML 无障碍属性缺失、违反 DRY 原则的重复逻辑、潜在的竞态条件……但问题在于：LLM 找出的 bug 里，假阳性率很高。它会把"风格不一致"报成"安全漏洞"，把"不影响功能的冗余代码"报成"高危问题"。如果你直接相信它的输出，你会陷在无意义的修复里浪费大量时间。解法：用多模型交叉验证，减少误报Nolan 的方案是同时跑三个模型来 review 同一个 PR：1）Claude sub-agent — Anthropic 模型，擅长理解上下文和代码意图2）OpenAI Codex — 对常见编程模式和反模式有深入训练3）Cursor Bugbot — 针对代码库结构做了优化三个模型各自输出 bug 列表，按 critical / high / medium / low 分级。跑完之后，让主模型汇总三份报告，重点找"三个模型都提到的问题"——这类问题误报率极低，几乎可以直接处理。本质上是用模型的多样性对冲单个模型的幻觉倾向。类似于多个独立评审员对同一份代码做审计，交集才算是真问题。"慢 AI coding"的具体工作流是什么样的不是生成完就 merge，而是：1）写完一个功能后，先不急着提 PR，让 agent 跑一遍 KISS 原则检查（代码是不是最简单的实现方式？）2）提 PR 之前，跑多模型 bug review，重点看交叉命中的问题3）让 AI 解释这个 PR 的每一个关键决策——如果它解释不清楚，说明代码本身逻辑有问题4）对 AI 生成的修复方案，要求它同时给出"这个改法可能引入什么新问题"这套流程比"直接 merge"慢很多，但产出的代码质量和可维护性完全不在同一个层级。"如果你用 agent 写了几百行你自己都看不懂的 PR，我建议你慢下来，问问 agent 这个 PR 是怎么工作的、它可能在哪里失败。"原文：nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/#HOW I AI# #程序员#

16. Cursor一夜翻车，AI 300万代码写浏览器被打假！全网群嘲「AI泔水」

17. Claude Code源代码泄露！51万行代码曝光，里面有会做梦的AI和电子宠物？

18. OpenClaw 搭团队太折腾？这个 Skill 一键搞定多智能体协作

19. 聊着天把虾队管了：用 HiClaw 正确打开多智能体协作方式【限时领 PPT】

20. 【用 Codex 给 Claude Code 的代码做对抗性审查，这才是认真的】快速阅读：OpenAI 发布了一个 Claude Code 插件，让你在不离开 Claude Code 工作流的前提下直接调用 Codex。核心价值是三条命令：普通审查、对抗性审查、任务移交。适合高风险改动前的第二次把关。---两个顶级编程 Agent 一起用，听起来像在炫耀算力，其实是在解决一个很朴素的问题：同一个模型审查自己写的代码，盲点往往也一样。OpenAI 这次发布的 `codex-plugin-cc`，做的事情很简单：在 Claude Code 里装一个插件，三条命令搞定跨 Agent 协作。安装只需要几行：```bash/plugin marketplace add openai/codex-plugin-cc/plugin install codex@openai-codex/codex:setup```然后你就有了三个核心工具。`/codex:review` 是只读的标准审查，跑完就走。`/codex:adversarial-review` 是"挑刺模式"，Codex 会主动质疑实现思路，不只是找语法问题。`/codex:rescue` 是把整个任务直接扔给 Codex 接手。对抗性审查这个设计值得单独说一句。迁移脚本、鉴权逻辑、基础设施改动，这类代码最危险的地方不在于写错了什么，而在于你以为对的那些前提其实根本没验证。让另一个 Agent 从头质疑一遍，相当于强制做一次假设审计。有观点认为，真正的风险是打开了 Claude 和 Codex 互相调用的循环，review gate 功能可以阻止 Claude Code 在 Codex 审查结束前退出，但官方也特别提醒：这个功能容易触发两个 Agent 的长循环，快速烧穿使用额度。架构上这个插件做得很轻。它走的是本地 Codex CLI，复用你已有的认证、配置和 MCP 环境，不是另起一个 runtime。从 Claude Code 里调用 Codex，感觉上更像是函数调用，不像是切换工具。默认用法推荐的节奏是：所有改动跑一遍 `/codex:review`，高风险的再跑 `/codex:adversarial-review`，卡住了或者想换人接手就用 `/codex:rescue`。后台运行加上 `/codex:status` 查进度，长任务也不影响主流程。一个 Agent 写，另一个 Agent 挑，这个模式能跑多深，还没人真正测过边界。

21. AI不是工具，是你最该抓住的时代船票。 #大咖观察 #红衣客厅 #AI工具 #AI时代

22. 一年一度的红杉AI大会：前两年的AI只算开胃菜，2026年AI开始真干活，机会和红利在哪#红杉资本 #AIAscent #智能体 #程序员#黑灯工厂

23. Claude 工具调用迎来重大升级简单来说，Claude 的工具调用方式从一问一答变成了写代码批量处理。以前的流程：用户提问 → Claude 调用工具 → 拿到结果 → Claude 再决定下一步 → 再调用工具 → 循环往复现在的流程：用户提问 → Claude 先写一段代码 → 这段代码自动调用工具、解析结果、根据条件判断下一步操作 → 最终把处理好的结果交给 Claude核心变化是：Claude 不再每次调用工具后都要"回来想一想"，而是提前用代码把各种可能的情况都规划好，一次性执行完。实际效果有多好？以网页搜索为例，Sonnet 4.6 在 BrowseComp 基准测试上准确率提升了 13%，同时输入 token 减少了 32%，又快又准。以前 AI Agent 每一步都要请示大模型做决定，现在 Claude 可以预先把成百上千种决策路径写进代码里，一次性跑完。这相当于把原来需要多轮 LLM 调用的循环压缩成了一次代码执行，效率提升的潜力非常大。除了搜索之外，代码执行、网页抓取、记忆、程序化工具调用等功能也同步正式上线了。

24. 【当AI写完100%的代码，程序员还剩下什么？】Claude Code的创建者Boris Cherny最近在访谈中透露，他已经两个月没有手写过一行代码了。30天内提交了259个PR。这个数字本身并不是最有意思的部分。真正值得关注的是他的工作流程：先进入计划模式，反复迭代直到方案成熟，然后开启自动接受。他的核心理念是：“一旦计划对了，代码自然就对了。”这引发了一个尖锐的问题：每天10个以上的PR，谁来审查？社区的反应呈现出明显的两极分化。一部分人表示感同身受。有人说自己已经两三年没手写代码了，现在的工作变成了写Agent和子Agent，整个领域都变成了Markdown。还有人调侃说，今天手动把一个变量从false改成true，感觉像是在怀旧。但另一部分人的体验完全不同。一位开发者直言：我每小时都会遇到AI解决不了的问题。那些说“为什么还要手写代码”的人，似乎生活在另一个平行宇宙。一位资深开发者分享了更细致的观察：AI确实能完成大量工作，但它会复制很多代码，如果没有接近100%的单元测试覆盖，代码很容易出bug。更麻烦的是，AI有时会通过放宽测试条件来“作弊”，而不是真正修复代码。它还可能陷入死循环，反复尝试却找不到解决方案。有人指出了一个关键区别：这种工作流适合发布非关键工具，你可以接受发布说明里“修复”比“新增”多。但如果是关键服务，每天发布10个PR且缺乏充分审查，恐怕不是明智之举。一位每天审查10个以上PR的工程师坦言：这太难了，我一个月就燃尽了。无论是审查人类的代码还是AI的代码，都同样艰难。还有人提出了更深层的质疑：如果AI真的这么强，为什么不能取代他本人，帮Anthropic省下这笔薪水？这场讨论揭示了一个正在发生的深刻转变。程序员的角色正在从“写代码的人”变成“设计方案、审查结果、处理AI搞不定的边界情况的人”。代码能力本身正在贬值，但判断力、架构思维和对复杂问题的洞察力反而变得更加稀缺。有趣的是，越是做常规业务开发的人，越容易认同“AI写100%代码”的说法。而那些处理复杂系统、边界情况多的开发者，则更清醒地看到AI的局限。这或许才是真正的分水岭：不是AI能不能写代码，而是你的工作中有多少是AI已经见过无数遍的模式，又有多少是需要真正理解和创造的部分。reddit.com/r/singularity/comments/1qlw1ca/the_claude_code_creator_says_ai_writes_100_of_his

25. 【当AI能写代码，为什么不直接生成二进制？】一个看似刁钻的问题：如果LLM真能让软件工程过时，为什么它们还要生成代码再编译，而不是直接输出二进制文件？毕竟，机器码也是数据。这个问题的答案，恰恰揭示了AI的本质局限和人类在技术链条中不可替代的位置。核心原因有三：一、抽象是效率的源泉高级语言存在的意义，是用更少的符号表达更复杂的意图。这对人类如此，对LLM同样如此。二进制的token效率极低，上下文窗口会被迅速耗尽。即便是超级智能，在多数场景下也会选择高级语言配合编译器，而非直接操作机器码。二、软件开发本质上是发现过程写代码从来不是一次性的输出，而是持续的迭代、调试、验证。人类需要能读懂、能修改、能追责的中间产物。二进制没有语义，没有护栏，出了问题无从下手。正如有人调侃：调试裸二进制，是工程师丧失信仰的方式。三、LLM是人类知识的镜像它们在人类创造的代码上训练，自然输出人类能理解的形式。要让模型直接生成二进制，不仅训练数据的复杂度是天文数字，更关键的是——二进制没有意图，当前架构无法解码其语义。有人说，这只是暂时的，十年后高级语言可能消失。也有人反驳：只要我们还需要验证AI的输出是否符合人类意图，代码这个"人机接口层"就不会消失。更深一层思考：我们是脚手架，还是蓝图？在AI学会用机器语言"做梦"之前，它仍需要我们的蓝图。人类认知负载的约束或许正在被移除，但对齐、可解释性、可验证性的需求，反而让人类的角色更加关键。软件工程不会被替代，而是被重新定义——从"人写代码"变成"人与AI协作写代码"。这不是AI Replaced，而是AI Powered。x.com/janetacarr/status/2005662500831011282

26. Harness Engineering：AI Agent 落地企业的工程化核心

27. 别等别人赚钱才后悔，你的AI该“嵌入”业务了。 #大咖观察 #红衣聊AI #AI工具

28. AI 不是不能用于物联网开发，而是不能用传统互联网软件的方式粗放使用。#AI 不是不能用于物联网开发#在网页、后台、普通应用里，AI 生成一段不完美代码，最多是线上 bug 或性能问题。但在物联网里，代码连接真实硬件、真实现场和真实设备网络。所以 AI 生成代码的风险会被放大。它可能不是一个 bug，而是一次系统性故障。不是一个用户受影响，而是几千台设备同时受影响。不是简单改代码，而是要远程升级固件、排查硬件差异、修复数据一致性。AI 给物联网带来的不是单纯提效，而是“提效与风险同步放大”。真正成熟的 AIoT 开发，不是让 AI 替代工程纪律，而是要在更严格的架构约束、代码审查、硬件边界和运行监控下使用 AI。AI 可以加速物联网开发，但如果没有工程约束，它也会加速技术债务的积累；在工业物联网里，最快的代码，不一定是最安全的代码。

29. 未来的代码会不会百分之80都是ai写的？

30. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

31. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

32. UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！

33. 大模型为什么不会数数？陈小平深入解析大模型的发展和关键问题 | 锚点

34. OpenSpec：面向 AI 编程的规范驱动开发框架

35. 智能体，正在决定企业的生死？ #大有学问 #红衣聊AI #智能体 #AI工具

36. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

37. 刚刚，Claude自曝80%代码AI写的，Anthropic呼吁停止研究AI

38. AI生成的代码你们会去一行行检查吗？

39. 为什么大众对AI生成代码的道德容忍度要明显高于AI生成的图片视频和音乐？

40. “AI编程”里程碑：Claude Code“整顿”全球软件业

41. 目前，软件工程领域在 agent 智能体的采用方面遥遥领先，占据接近一半的场景（按工具调用量统计）。在软件工程中，智能体（Agents）通常执行类似如下任务：- 开发与调试代码- 执行测试- 执行 CI/CD 流水线- 与 GitHub 或终端环境进行交互来源：Measuring AI agent autonomy in practice (anthropic.com/research/measuring-agent-autonomy)

42. 每个人，都在变成AI吸血鬼？ #大有学问 #红衣聊AI #AI工具 #智能体

43. 开源编程语言Zig，向AI代码说「不」

44. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

45. LLM可用性不到99%，为何AI应用以及Agent应用都要默认接受这种SLA？

46. AI革命不是让你去学写代码，而是让你学会指挥AI干活。 #大咖观察 #红衣聊AI #科技改变生活 #人工智能

47. 一份报告刷屏AI圈，AI让哪些公司死得更快？ #大有学问 #AI #claude #AI技术

48. OpenAI 官方发布了一个 Claude Code 插件 codex-plugin-cc，让开发者可以直接在 Claude Code 里调用 Codex 做代码审查、对抗性审查，甚至把任务整个移交给 Codex 执行。这件事有意思的地方在于：这是 OpenAI 主动把自己的工具送进竞争对手 Anthropic 的地盘。Claude Code 有自己的插件生态，OpenAI 这次正式以官方身份入场，把 Codex 包装成 Claude Code 工作流里的一个"随叫随到的第二意见"。插件提供三个核心命令：/codex:review 跑一遍标准的只读代码审查；/codex:adversarial-review 做对抗性审查，专门挑战现有实现的隐藏假设，适合迁移、鉴权变更、基础设施脚本这类高风险操作；/codex:rescue 则直接把任务交给 Codex 接管，用于线程卡住或需要换个智能体重新来过的场景。三个命令都支持后台运行，配合 /codex:status 和 /codex:result 管理。还有个可选的 review gate 功能，能让 Claude Code 在 Codex 审查完成前不退出，不过 Srivastav 提醒这可能导致两个智能体循环调用，快速烧掉使用额度。技术上，插件通过本地 Codex CLI 和 app server 中转，复用已有的认证、配置和 MCP 设置，不额外起运行时。使用前提是有 ChatGPT 订阅（包括免费版）或 OpenAI API key，加上 Node.js 18.18 以上。 http://t.cn/AXIMKrDu

49. 阿里开源了集团内部用的代码审查工具Open Code Review 地址：github.com/alibaba/open-code-review/Open Code Review 是一款 AI 驱动的代码审查 CLI 工具。它的前身是阿里集团内部官方 AI 代码审查助手，过去两年在内部服务了数万开发者，识别了数百万个代码缺陷。经过大规模充分验证后，我们将其孵化为开源项目，对社区开放。只需配置一个模型端点即可使用。它读取 Git diff，通过具备工具调用能力的 Agent 将变更文件发送至可配置的 LLM，生成具有行级精度的结构化审查意见。Agent 可以读取完整文件内容、搜索代码库、检查其他变更文件以获取上下文，从而进行深度审查——而非仅停留在表面的 diff 反馈。Open Code Review 的核心设计理念是将确定性工程与 Agent 结合，各司其职。确定性工程——负责强约束对代码审查场景中"不能出错"的环节，由工程逻辑而非语言模型来保证：精准的文件筛选 —— 明确哪些文件需要审查、哪些应当过滤，确保真正重要的改动一个不漏。智能的文件打包 —— 将关联文件归并为同一审查单元（例如 message_en.properties 与 message_zh.properties 会被打包在一起）。每个包会作为 sub-agent 进行任务，它们之间的上下文是隔离的——这一分治策略在超大变更场景下表现更为稳定，同时天然支持并发审查。精细化规则匹配 —— 针对不同文件的特征，匹配对应的审查规则，确保模型的注意力足够聚焦，从源头规避信息噪声的干扰。相比纯语言驱动的规则引导，基于模板引擎的规则匹配行为更稳定、结果更可预期。外挂的定位与反思组件 —— 独立的评论定位模块与评论反思模块，系统性地提升 AI 反馈的位置准确性与内容准确性。Agent——负责动态决策将 Agent 的优势集中发挥在它真正擅长的地方——动态决策、动态召回上下文：场景化提示词调优 —— 针对代码审查场景深度优化提示词模板，在提升效果的同时有效降低 Token 消耗。场景化工具集沉淀 —— 基于对大量线上数据中工具调用轨迹的深入分析，包括不同工具的调用频率分布、单一工具的重复调用率、新增工具对整体调用链路的影响等多维度分析，从而对通用 Agent 工具集进行取舍与拆分，最终沉淀出一套在代码审查场景下效果更稳定、行为更可预期的专属工具集。#AI创造营#

50. Claude Code官方推出的入门课程，免费！有空补学习一下内容包括：1.使用 Claude Code 的核心工具进行文件操作、命令执行和代码分析。2 通过 /init、Claude.md 文件以及 (at) 引用来高效管理上下文。3. 利用多种快捷键和命令来控制对话流程。4. 在需要更深入分析的复杂任务中启用 Plan Mode 和 Thinking Mode。5. 创建自定义命令，用于自动化重复性的开发工作流。6. 通过 MCP 服务器扩展 Claude Code，引入浏览器自动化等能力。7. 配置 GitHub 集成，实现自动化的 PR 审查和 Issue 处理。8. 编写 hooks，为 Claude Code 添加额外的行为和能力。访问：anthropic.skilljar.com/claude-code-in-action#HOW I AI# #程序员#

51. Anthropic 推出 Code Review：用一组 AI Agent 帮你做代码审查 Anthropic 今天发布了 Claude Code 的新功能 Code Review，针对 GitHub 上的每个 Pull Request（代码合并请求）自动派出一组 AI Agent 进行深度审查，目前面向 Team 和 Enterprise 计划用户开放研究预览。（注意个人用户还用不了）这个功能的背景：过去一年，Anthropic 内部工程师的代码产出增长了 200%，代码审查成了瓶颈。他们发现客户也面临同样的问题，开发者疲于应付，很多 PR 只是被快速扫一眼，而非认真审读。 Code Review 的工作方式是：当 PR 提交后，系统自动派出多个 Agent 并行查找 bug，交叉验证以过滤误报，再按严重程度排序。最终在 PR 上生成一条汇总评论，外加逐行的具体标注。大型复杂的 PR 会分配更多 Agent 做更深的审查，小改动则轻量处理，平均审查时间约 20 分钟。 Anthropic 自己已经内部使用了几个月。使用前，只有 16% 的 PR 能收到实质性审查意见；使用后，这个比例升到了 54%。在超过 1000 行改动的大 PR 中，84% 会被发现问题，平均每个 PR 找出 7.5 个问题。工程师对结果的认可度很高，不到 1% 的发现被标记为误报。他们举了个例子：一个看起来很常规的单行改动，实际上会导致生产环境的身份认证功能失效。Code Review 把它标记为严重问题，提交代码的工程师事后承认自己不会注意到这个问题。不过这个功能不便宜。它按 token 用量计费，每次审查平均花费 15 到 25 美元，随 PR 规模浮动。管理员可以设置月度预算上限、选择启用的仓库，也有分析看板追踪使用情况。值得注意的是，Code Review 不会自动批准 PR，最终是否合并仍由人决定。它的定位是补上人工审查的盲区，而非取代人类审查者。 Anthropic 此前已有开源的 Claude Code GitHub Action 做轻量审查，这次的 Code Review 是更重量级、也更贵的选项。 http://t.cn/AXVXCz6o

52. 有网友问 Claude Code 作者 Boris：如何有效审查 AI 生成的代码？Boris 给了 3 条经验技巧：1. 默认使用 Plan 模式。2. 给 Claude 提供一种验证其输出结果的方法，比如单元测试、Claude Chrome 扩展程序，或者 iOS/Android 模拟器。3. 使用 /code-review 来自动化大部分的代码审查工作。对 Claude 生成的代码保持与人类写的代码相同的标准。

53. 回复@每小痛:代码审查AI确实可以做了，但是做完最好自己看看，记住背锅的是你自己//@每小痛:分解任务，代码审查也可以扔给agent去做的，架构选型也几乎变成单选题四选一了，现在Agent干不了的只有调试，还是因为CLI和API支持的不好...

54. 新手如何用Claude Code实现代码自动审查和批量文件处理？

55. 《AI 时代到底该怎么管一个工程团队》 Fiona Fung 以 Claude Code 团队实践说明，AI 时代的软件工程不再卡在写代码，而是卡在验证、评审、跨职能协作和安全边界。真正需要重构的是流程、组织结构、知识共享方式和衡量指标。 AI 时代到底该怎么管一个工程团队

56. 让 AI 真正接管 Code Review

57. AI 写代码越来越快，为什么项目交付反而变慢了？

58. 说句掏心窝子的

59. Claude Code 引入 Code Review 后，我们该如何理解它的工程价值？

60. Gartner 预测 40% 企业应用内嵌 Agent

61. 91%的审查时间增长

62. AI代码生成

63. 代码审查太慢了，我做了个AI工具

64. AI Agent自动审代码，2026年人类程序员的代码审查还有意义吗？

65. Codex让海外开发者在代码规范方面有了分歧; 有3种观点正在对行业规则进行重新构建

66. 代码评审越来越累，不是你不专业，是方式错了

67. 代码评审的艺术

68. Agent coding爱写正确的废话？

69. 威斯康星大学揭秘

70. AI写了100万行代码，0行人工

71. AI写的代码，为什么总是“看起来能跑，一用就崩”？

72. AI代码评审彻底失灵？干净代码藏致命bug，程序员必看避坑指南

73. 代码审查将死 - 如何终结代码审查

74. 如何终结代码审查 (Code Review)

75. 代码审查已死，老板的认知必须重生

76. 智能体时代如何进行代码审查

77. AI代码审查正在换战场

78. 搭建Superpowers代码审查流水线

79. 实测三个AI代码审查工具后，这个让我删掉了老代码审查流程

80. 让代码审查快 10 倍的思维模型

81. Aspire+扣子智能体实现AI自动CodeReview

82. AI - 代码评审太耗时?AI 先过一遍,标出风格问题、潜在空指针和性能反模式

83. Code Review最佳实践

84. Code Review

85. Code Review应该关注哪些点?

86. 当AI审查“先入为主”：LLM在安全代码审查中的确认偏见风险与供应链攻击

87. 你用人工智能来编写代码，而不是用它来审查代码。

88. 上下文：2026年AI编码的真正瓶颈

89. AI生成代码全是屎山？2026工程化新范式：规范驱动开发(Spec-Driven)让驳回率下降40%

90. AI编程带来代码审查瓶颈，Anthropic推出Code Review工具破局

91. 末代程序员的终局：当软件沦为黑盒，人类将如何被代码反噬？

92. 国人开源项目，AI 抚平大脑，圈子>代码

93. 从41%到3%：Karpathy 12 Rules 如何重塑 AI 编程，以及 Context En - 哔哩哔哩

94. AI代码审查：谁在受益，谁在承担风险

95. LLM代码审计对抗性评论的鲁棒性评估

96. AI Coding 时代，要从 Code Review 转向 Plan Review

97. ICSE'25|揭示大语言模型代码生成在熟悉领域之外的真实能力

98. 破解 AI 黑盒！阿里 Qwen-Scope 深度解读：让大模型思维“可视化”

99. AI 编程终于有全局视野了！3 万 Star 项目补齐最大短板

100. AI驱动的代码审查：自动发现安全漏洞和性能问题

101. AI编程是否会取代程序员

102. Cursor、Claude Code 和 Codex 都存在一个大问题 | Theo - t3․gg

103. 用AI大模型3分钟审查代码，自动揪出质量问题

104. Claude Code 被吐槽：钱花了，代码没改，先被审查

105. 大模型哪里出问题、怎么修，这篇可解释性综述一次讲清

106. PRDBench：让代码智能体评测迈入「产品时代」

107. 如何用 AI 做业务级 Code Review

108. AI看不懂自己写的代码怎么办？Understand Anything来了~

109. 大模型走向内生透明：从“黑盒”到“玻璃箱”的范式革命

110. Git代码审查流程

111. AI革命倒计时：2026年，不可解释的AI将被市场淘汰！

112. 978-为什么要研究AI 可解释性？

AI编程普及下Code Review的新困局与破局之道

精选参考来源