阅读提示： 这页聚焦的是把 AI 放进代码审查链路后的真实落地方式：先自动过滤低价值问题，再做结构化深审，最后统一审查标准与落地节奏。若你只想快速照搬，直接从“三层防线”“统一审查标准”和“7 天路线图”开始。
问题画像
为什么审查总是慢
梳理排队、重复劳动、上下文缺失和标准不一这四类典型瓶颈。
三层防线
把 AI 放在前面
从开发阶段实时提示，到 pre-commit、PR 深审，再到合并后持续监控。
自动化脚本
Hook 与 CI 如何落地
用 pre-commit、统一入口命令和 PR 评论脚本完成第一轮自动审查。
统一审查标准
让审查口径稳定下来
用 Skill + 模板统一 P0/P1/P2 分级、评审维度和输出格式。
7天路线图
从试装到上线
把配置、试运行、培训和效果回收拆成一周内可执行的小步动作。
收益对比
为什么值得做
同时看到耗时下降、审查一致性提升和团队知识沉淀三个结果。
一、问题画像
传统 Code Review 为什么会拖慢交付
当团队规模上来以后，审查的真正成本往往不在“发现问题”本身，而在等待、重复沟通和注意力切换。 如果格式、命名、简单 bug、空指针和低级类型问题仍由人手动筛查，真正值得人类判断的架构权衡和业务逻辑就会被挤压。
| 痛点 | 具体表现 | 带来的损耗 |
|---|---|---|
| 审查速度慢 | PR 排队严重，审查时点不可预测，反馈经常滞后到开发上下文已经切走之后。 | 拉长交付周期，影响团队节奏。 |
| 重复性问题多 | 格式、命名、基础错误和简单最佳实践问题占据大量审查时间。 | 人类审查者疲劳，真正高价值问题容易漏掉。 |
| 上下文不足 | 跨团队、跨服务改动难以一眼看清业务路径与边界条件。 | 审查讨论停留在局部代码，难以判断整体正确性。 |
| 标准不统一 | 不同 reviewer 关注点差异大，新人很难复制资深同事的审查深度。 | 结果不稳定，团队难以形成统一知识资产。 |
二、工作流设计
把审查拆成前移过滤 + 深度评估 + 合并后回收
开发阶段
实时建议 + 格式校验
让 AI 在编码时就提示潜在错误，配合 linter、formatter 和类型检查，尽量不要把低级问题带进 PR。
提交前防线
pre-commit 自动检测
在 `git commit` 前自动跑 lint、类型检查，并让 AI 只对已暂存 diff 做阻断级问题判断，拦下最明显错误。
PR 深度审查
结构化报告输出
由 agent 或 CI 拉取 PR diff，从代码质量、架构、业务、性能和安全五个维度输出 P0 / P1 / P2 报告。
合并后回收
趋势分析 + 标准沉淀
统计常见问题模式，反向更新 Skill、模板和培训材料，让审查标准随团队项目一起迭代，而不是靠口口相传。
核心原则： AI 负责“快而标准化”的部分，人类负责“慢但关键”的部分。真正需要 reviewer 花时间的，是架构取舍、业务边界和风险判断，而不是空格、命名和显而易见的空指针。
三、自动化脚本
第一道防线：提交前只查“会阻断提交”的问题
推荐执行顺序
落地要点
- 范围收缩：只审查 staged diff，避免把工作区未提交内容混进去。
- 问题收缩：首层只看逻辑硬伤、未定义变量、运行失败和明显安全问题。
- 技术栈适配：Node 可以跑 `npm run lint`，Python 可以替换成 `ruff`、`mypy`、`pytest` 等。
- 权限控制：给 AI 必要但最小的命令白名单，避免流程落地后又卡在权限弹窗。
#!/bin/bash
set -euo pipefail
if git diff --cached --quiet; then
echo "ℹ️ 没有暂存变更，跳过检查"
exit 0
fi
npm run lint
npx tsc --noEmit
STAGED_DIFF="$(git diff --cached --unified=0 --no-color)"
claude -p "
请只审查下面这份 staged diff，并只报告阻断提交的 P0 问题：
1. 明显逻辑错误
2. 空指针 / 未定义变量
3. 会导致运行失败的语法或类型问题
4. 明显安全问题
如果没有 P0 问题，只输出：✅ 基础检查通过
$STAGED_DIFF
"{
"permissions": {
"allow": [
"Bash(npm run lint)",
"Bash(npx tsc --noEmit)",
"Bash(git diff --cached *)",
"Bash(git status *)"
]
}
}四、PR 深度审查
第二道防线：让 AI 产出稳定、可讨论、可追踪的审查报告
Code Reviewer Agent
负责拉取 diff、理解 PR 描述与项目上下文，再从架构、业务逻辑、性能和安全维度输出结构化判断。
统一入口 `/review-pr`
把“如何调用审查标准”固化成薄封装入口，让团队成员不必每次都重新组织 prompt。
PR 评论自动发布
在 PR 事件中自动跑脚本，把 AI 审查结果直接写回评论区，减少人工来回转述。
---
description: 调用统一审查标准，对当前 PR 或当前分支差异做深度审查
---
请使用统一的 code-review skill 审查当前 PR 或当前分支差异，
并输出标准化的 P0 / P1 / P2 报告。
如果当前上下文没有 PR 信息，请先读取：
- gh pr diff
- 或 git diff main...HEAD建议做法： 命令本身尽量保持“薄”，真正的审查标准和打分维度放在 Skill 或模板中统一维护， 这样团队只需要更新一套规则，就不会出现命令和技能两套标准同时漂移。
#!/bin/bash
set -euo pipefail
PR_NUMBER="${1:?usage: ./scripts/pr-review.sh <pr-number>}"
TMP_DIFF="$(mktemp)"
trap 'rm -f "$TMP_DIFF"' EXIT
gh pr diff "$PR_NUMBER" > "$TMP_DIFF"
REVIEW_REPORT="$(claude -p "
请审查 PR #$PR_NUMBER 的变更，并输出：
1. 概览
2. P0 问题
3. P1 问题
4. P2 建议
5. 架构评估
6. 业务逻辑评估
$(cat "$TMP_DIFF")
")"
printf '%s\n' "$REVIEW_REPORT" | gh pr comment "$PR_NUMBER" --body-file -五、统一标准
第三道防线：不是多一个工具，而是多一套稳定规则
30分
代码质量
命名、格式、函数长度、嵌套深度和注释质量。
25分
架构设计
模块边界、依赖关系、技术债务和循环依赖风险。
25分
业务逻辑
需求实现是否正确，边界条件和异常流程是否完整。
10分
性能
热点路径、查询效率、缓存策略和潜在性能隐患。
10分
安全
输入验证、权限检查、注入和 XSS 等安全基线。
分级建议
- P0：功能异常、明确安全漏洞、严重性能问题、违反核心架构原则。
- P1：可读性差、潜在性能隐患、不符合最佳实践、测试覆盖明显不足。
- P2：风格优化、注释补强、轻量重构和文档补充建议。
# Code Review Report
## 概览
- 变更文件数
- 新增 / 删除代码行
- 风险等级
## P0 - 阻断问题
## P1 - 警告
## P2 - 优化建议
## 架构与设计
## 安全审查
## 审查结论
## 下一步行动六、7天路线图
不要一口吃掉整套系统，按一周节奏逐层上线
七、收益对比
对开发者、Reviewer 和团队，收益点并不一样
优化前
开发者提交 PR 后开始排队；人类先花时间扫基础问题，再回头看架构与业务；修改后往往还要再轮转一次。 整体周期通常以小时计，且审查结论高度依赖 reviewer 个人经验。
优化后
基础问题被 pre-commit 和第一轮 AI 自动过滤，PR 阶段只保留结构化深审与关键决策确认； 人类审查时间缩短，但讨论质量反而更集中，团队还能把经验不断回写到标准和 Skill 里。
对开发者
更快拿到反馈，减少等待时间，也更容易从稳定的审查建议中学习规范。
对 Reviewer
从重复劳动里抽出来，把精力集中在架构、边界和风险判断上。
对团队
形成统一标准，新人更容易对齐，审查风格不再过分依赖个体经验。
对项目
更少返工、更短审查周期、更稳定的质量基线，也更利于后续持续改进。
八、如何开始
三种推进方式：直接上、先试点、分阶段
直接实施
适合已经确定要全面升级审查流程的团队，一次性把 hook、agent、模板和标准都搭起来。
试点项目
先选 3-5 人的小团队或单个中等复杂度服务试跑，观察误报、接受度和效率收益后再推广。
分阶段实施
第一周先上 pre-commit，第二周补 PR 深审，第三周固化标准，适合对变更风险更敏感的团队。
可直接点击的相关入口
参考资料
本页汇总了可直接落地的流程模板，并保留少量官方文档入口，方便你继续深挖细节。 如果你已经确定要在团队里落地，建议先看下面的官方工作流与 Code Review 参考页。
Claude Code Common Workflows
适合继续查看命令组织、工作流拆解与常见协作模式。
Claude Code Hooks Guide
可对照理解 hook 的职责边界，以及为什么 Git 提交事件更适合用 pre-commit 处理。
本次来源文件
/Users/angus/Downloads/ai-collab-playbook-main/AI-Code-Review-Workflow-Optimization.md