简介:Vibe Coding 让代码产出提速数倍,却把 Review 变成了最粗的瓶颈。Anthropic 把内部多代理审查系统产品化为 Code Review(research preview,限 Teams/Enterprise),本文讲清它的工作原理、开启方式、本地 /review 用法、规则约束与模型接入成本控制,并给出可落地的人机协作审查流程。若你还在为审查环节选模型、比价格、接 API,可以先看[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)。
Anthropic 给出的答案是把审查本身也交给 Agent。Code Review 目前处于 research preview 阶段,仅对 Teams 和 Enterprise 用户开放:当 PR 被创建后,Claude 会在云端拉起一支多代理(multi-agent)审查小队,多个代理并行扫描 bug、逻辑漏洞、竞态条件、安全隐患与性能陷阱,通常在 20 分钟左右(视 PR 体积)直接在 GitHub PR 评论区留下分级反馈,很多时候还会附上修复 diff。
反馈按颜色分级,这一点对工程落地很关键:
Anthropic 内部数据是这套东西最硬的背书:工程师代码产出同比增长 200%+,而 review 环节跟不上;上线后 有意义的 review 反馈比例从 16% 提升到 54% ,并且多次抓到人类 reviewer 连续几周没发现的隐蔽 bug。
为什么它反而适合审“脏代码”?因为审查模型和写代码的模型同源,对 Vibe Coding 产出的各种非常规写法有更高的模式识别容忍度。至于“AI 审 AI 会不会互相放水”,Anthropic 的做法是把审查代理的偏好刻意调向挑剔、安全与鲁棒性,而不是与生成代理保持一致——这是目前比较聪明的设计取舍。
在 Claude Code 的 GitHub 应用中启用 Code Review,之后 PR 创建即触发。真正决定效果的往往不是模型,而是你给它的上下文,建议在仓库根目录维护 CLAUDE.md:
# 项目约定- 状态管理统一走 src/store,禁止在组件内散落 useState 拼装全局态- 所有外部请求必须走 src/api/client.ts,禁止裸 fetch- 数据库访问只允许通过 repository 层,禁止在 handler 里拼 SQL- 已知技术债:src/legacy/* 为待重构模块,仅报告新增缺陷,不重复提示历史问题
最后一条尤其重要。紫色反馈如果全是历史遗留噪音,团队两周内就会开始忽略整份报告。
/review 与子代理自查在 Claude Code 会话里直接跑 /review,让它在提交前先过一遍 diff。配合子代理做定向审查会更稳:
用子代理审查当前 diff,重点检查三件事:1. 并发与竞态:是否存在共享状态的非原子更新2. 错误处理:是否有被吞掉的异常、缺失的超时与重试上限3. 安全:输入是否进入 SQL/命令/路径拼接,鉴权是否在数据层而非仅前端输出格式:文件:行号 + 风险等级(红/黄/紫) + 一句话修复建议
限定输出格式能显著降低“正确的废话”比例,这是提升 AI 审查信噪比最省力的手段。
把审查结果接入流水线才有约束力。一个务实的做法是:红色问题阻断合并,黄色仅提示。
- name: AI Code Review Gaterun: |claude -p "审查 origin/main...HEAD 的 diff,仅输出 JSON 数组,元素含 file,line,severity,message" \--output-format json > review.jsonnode scripts/check-review.js review.json # severity=red 时 exit 1
审查是高频、长上下文、对成本敏感的任务,很多团队会用 Anthropic 兼容端点接入其他模型做初审,再让强模型复核高危项。以百度智能云千帆的 Anthropic 兼容接口为例,Claude Code 只需改环境变量即可切换后端:
{"env": {"ANTHROPIC_BASE_URL": "https://qianfan.baidubce.com/anthropic","ANTHROPIC_AUTH_TOKEN": "your-qianfan-api-key","ANTHROPIC_MODEL": "deepseek-v3.2","ANTHROPIC_SMALL_FAST_MODEL": "deepseek-v3.2","CLAUDE_CODE_MAX_OUTPUT_TOKENS": 16000,"API_TIMEOUT_MS": 600000,"CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1}}
几个容易踩的点:CLAUDE_CODE_MAX_OUTPUT_TOKENS 和 MAX_THINKING_TOKENS 要按所选模型的最大输出、最大思维链长度配置,否则长 diff 会被截断;审查任务上下文大,建议把 API_TIMEOUT_MS 放大;使用自定义 appid 时通过 ANTHROPIC_CUSTOM_HEADERS 传 appid:your-appid。如果团队用的是 Roo Code 这类工具,则走 OpenAI 兼容路线,Base URL 填 https://qianfan.baidubce.com/v2,Model 填具体模型名。
选型时别只看单价。审查任务的真实成本 = 输入 token(整个 diff + 上下文)× 单价 + 输出 token,长上下文模型的单价差异会被放大数倍。在词元所的大模型 API 服务平台上可以横向对比不同模型的价格与能力定位,并通过统一 API 接入方式做多模型编排,避免为了切换审查模型而重写一遍客户端代码。
| 环节 | 交给谁 | 理由 |
|---|---|---|
| 风格、命名、明显空指针 | AI 代理 | 机械、量大、判定标准明确 |
| 并发、事务边界、幂等 | AI 初审 + 人类确认 | AI 召回高,但误报需人判断 |
| 架构合理性、领域模型 | 人类 reviewer | 需要业务上下文与长期取舍 |
| 安全基线(注入、鉴权、密钥) | AI 强制卡点 | 一致性比人更强,不会疲劳 |
三条实践建议:一是把 AI 反馈当 triage 而非终审,红色必看、黄色抽样;二是定期统计“有意义反馈率”,Anthropic 从 16% 到 54% 的提升说明这个指标可以被规则调优驱动;三是给审查代理喂历史事故复盘,让它知道你们真正怕什么。
Vibe Coding 不会退回去了,但合并按钮前的这道闸门可以自动化。想进一步降低试错成本,可以用百度智能云词元所先做一轮模型价格与能力对比,再决定初审和复核各用哪个模型。