代码审查
代码审查（Code Review）是软件开发过程中由开发者对他人所编写代码进行系统性检查的实践活动。其目的在于发现缺陷、优化代码结构、确保符合编码规范，并促进团队知识共享。代码审查通常发生在代码合并前，可通过人工或借助工具辅助完成，是保障软件质量的重要质量控制手段。
核心事实
时间轴 (近 90 天)
对于 AI 生成代码，审查重点应放在“它是否做了不该做的事”，例如意外引入外部请求、放宽权限或吞掉异常。
在代码审查中，意图标注指对审查意见背后的设计目标进行分类，如可维护性、安全性、性能或一致性。
对于代码审查场景，持续学习可能的数据来源包括提交历史、代码变更模式、PR 讨论记录以及开发者对评论的反馈。
代码审查和集成环节正在成为新的瓶颈，这是社区中较广泛认同的判断。
真正的精通涉及提示词工程、代码审查、调试排错等进阶能力，这些需要更长时间的实践。
在代码审查中，高频、规则明确的检查适合交给开源模型批量处理，而涉及架构合理性、跨文件逻辑推理的任务则交由前沿模型处理。
如果审查工具与生成工具共享相同的训练数据或模型家族，审查的独立性会被削弱。
代码审查的速度问题，本质上是协作粒度问题。
传统代码审查和静态分析工具（如 linter）擅长发现语法错误、代码风格问题和模式化缺陷，但对运行时行为一无所知。
传统代码审查工具只显示 diff（差异），在面对陌生仓库时隐藏大量上下文（如被调用函数行为、模块依赖、历史约定），不足以支持通读整个代码库。
还有 40 条时间轴事件
全部知识事实 (20)
AI代码审查并非要完全取代人类，而是形成高效互补，AI负责机械性检查，人类负责架构决策和业务逻辑判断
90%已验证当一次代码审查超过 400 行代码时，审查者的缺陷发现率会急剧下降
80%已验证合并请求（Pull Request / PR）是现代软件协作的核心机制，开发者在独立分支完成开发后向主代码库发起合并申请并经代码审查后合入主干
75%已验证针对AI生成代码的验证流程应包含静态分析关卡、依赖审计、测试覆盖率门禁和人工语义审查四个互补检查点
75%已验证绝大多数真正落地的Agent部署都很窄，只做一件事但做得很好，例如客服工单分类、文档信息抽取、针对特定代码库的代码审查
70%已验证如果审查AI生成代码的成本高于自己动手，那么这个智能体的实际价值就大打折扣
65%已验证正式代码审查流程可追溯到1970年代Michael Fagan在IBM提出
65%已验证一些团队已开始在审查流程中明确标注哪些代码是AI生成的，以便审查者调整审查策略
65%已验证AI 代码分析是辅助判断工具，无法完全替代人工审查
65%已验证在AI大规模参与代码生产的时代，传统人工Code Review流程可能需要被AI辅助自动化审查、更严格的自动化测试覆盖等新范式取代
65%待验证人工代码审查平均只能发现约60%的缺陷
60%待验证对于 AI 生成代码，审查重点应放在“它是否做了不该做的事”，例如意外引入外部请求、放宽权限或吞掉异常。
50%待验证在代码审查中，意图标注指对审查意见背后的设计目标进行分类，如可维护性、安全性、性能或一致性。
50%待验证对于代码审查场景，持续学习可能的数据来源包括提交历史、代码变更模式、PR 讨论记录以及开发者对评论的反馈。
50%待验证代码审查和集成环节正在成为新的瓶颈，这是社区中较广泛认同的判断。
50%待验证真正的精通涉及提示词工程、代码审查、调试排错等进阶能力，这些需要更长时间的实践。
50%待验证如果审查工具与生成工具共享相同的训练数据或模型家族，审查的独立性会被削弱。
50%待验证在代码审查中，高频、规则明确的检查适合交给开源模型批量处理，而涉及架构合理性、跨文件逻辑推理的任务则交由前沿模型处理。
50%待验证代码审查的速度问题，本质上是协作粒度问题。
50%待验证传统代码审查和静态分析工具（如 linter）擅长发现语法错误、代码风格问题和模式化缺陷，但对运行时行为一无所知。
50%