AI 时代的代码审查：当每个 PR 都是 6000 行 diff

在 AI 编程工具普及的今天，代码审查面临着前所未有的挑战。一位开发者在 Lobsters 上分享了他的困境：同事们都全面拥抱了 AI，结果每个送到他面前审查的 PR 平均有大约 6000 行 diff。而众所周知，即使比这小一个数量级的 PR 也已经太大，无法进行有效的审查。

问题的本质

AI 编程工具极大地降低了生成代码的成本。开发者可以在几分钟内生成几百甚至几千行代码，而在以前这可能需要几天的工作。但代码生成的速度远远超过了人类审查代码的速度。

这导致了一个严重的失衡：

• 生成速度：AI 可以在几分钟内生成数千行代码
• 审查速度：人类审查 6000 行 diff 可能需要数小时甚至数天
• 审查质量：面对如此大规模的变更，审查者往往只能粗略浏览，无法发现深层问题

结果就是，很多 PR 实际上没有得到有效的审查，只是被" rubber-stamped "（盖章通过）。

为什么大 PR 难以审查

研究和实践都表明，PR 大小与审查质量之间存在明确的关系：

1. 认知负荷：人类的工作记忆有限，一次只能处理有限的信息。6000 行 diff 远超认知负荷的极限
2. 上下文丢失：在大规模变更中，审查者很难记住前面看到的内容与后面内容之间的关联
3. 疲劳效应：长时间审查会导致注意力下降，后期的审查质量显著降低
4. 难以测试：大规模变更通常包含多个独立的改动，难以一次性理解和验证

一般建议是，单个 PR 最好控制在 400 行以内，最多不超过 1000 行。超过这个范围，审查质量会急剧下降。

AI 时代的应对策略

面对 AI 生成的大量代码，团队需要调整代码审查的策略和流程：

1. 强制拆分 PR。建立团队规范，要求超过一定行数（如 500 行）的 PR 必须拆分成多个小 PR。可以使用工具自动检测 PR 大小并提醒拆分。

2. 分层审查。将审查分为不同层次：

• AI 辅助审查：先用 AI 工具进行初步审查，检查语法错误、风格问题、常见 bug
• 自动化测试：确保 CI/CD 流水线中有充分的单元测试、集成测试和静态分析
• 人类重点审查：人类审查者只关注架构设计、安全漏洞、业务逻辑等 AI 难以判断的方面

3. 关注变更意图而非代码细节。对于 AI 生成的代码，审查者应该重点关注：

• 这个变更解决了什么问题？
• 解决方案的思路是否合理？
• 是否有更简单的方案？
• 测试是否充分？
• 性能和安全是否有保障？

而不是逐行检查代码的语法和风格（这些应该由工具自动检查）。

4. 建立 AI 代码生成规范。制定团队内部的 AI 使用规范：

• AI 生成的代码必须经过充分测试
• AI 生成的 PR 必须明确标注
• AI 生成的代码需要额外的审查关注
• 限制单次 AI 生成的代码量

5. 投资自动化工具。更多地依赖自动化工具来保证代码质量：

• 静态分析工具（如 SonarQube、CodeQL）
• 安全扫描工具（如 Snyk、Trivy）
• 测试覆盖率检查
• 性能基准测试
• 依赖漏洞扫描

代码审查的未来

AI 不会取代代码审查，但会改变代码审查的方式。未来的代码审查可能是：

• AI 对 AI 的审查：AI 生成的代码先由 AI 审查工具进行初步检查
• 人类专注于高阶决策：人类审查者只关注架构、设计、安全等关键决策
• 实时协作审查：AI 辅助的实时代码审查，在代码生成的同时就进行检查
• 数据驱动的审查：基于历史数据和指标，自动识别高风险变更并分配更多审查资源

代码审查的核心价值——确保代码质量、分享知识、团队协作——不会因为 AI 而消失。但审查的方式和重点需要适应 AI 时代的新现实。

对于面临 6000 行 PR 的开发者来说，最实际的建议是：与团队沟通，建立 PR 大小规范，投资自动化工具，把人类审查的精力集中在真正重要的地方。AI 可以加速代码生成，但不能替代对代码质量的认真把关。

原文链接：https://lobste.rs/s/7tpc5q/surviving_code_reviews_era_ai