如何打破 AI 代码审查瓶颈：技术主管构建代码库感知型 PR 审查器指南

📌 One-Sentence Summary

本文提供了一份技术主管的实用指南，通过将团队知识迁移到结构化的记忆文件（如 AGENTS.md 和 CLAUDE.md）中，构建一个定制化、能感知代码库的 AI PR 审查器，而非依赖通用的第三方工具。

📝 Summary

文章探讨了 AI 辅助开发带来的新瓶颈：代码生成速度大幅提升，但代码审查流程却成为新的瓶颈，PR 队列数量翻倍甚至增长两倍。作者作为技术主管指出，通用的 AI PR 审查工具无法捕捉上下文相关的问题，例如使用了错误的认证中间件、重复了已有的 UI 组件或绕过了架构模式。解决方案是将团队知识——即资深工程师头脑中的规则、约定和架构决策——迁移到代码库中结构化的、机器可读的文件（AGENTS.md、CLAUDE.md）中。文章详细介绍了具体实现：一个作为索引的根级记忆文件、用于单体仓库深度的每个服务记忆文件、一个用于特定领域审查规则的`pr-rules/`文件夹，以及一个工程师在打开 PR 前运行的定制`review-pr`命令。该系统包含防护措施（默认只读）、结构化输出格式（摘要、阻塞性问题、应修复、建议优化、已验证），以及一个持续改进循环：每次审查中学到的经验会被建议作为新规则。作者还描述了如何使用 AI 生成文档初稿，这对智能体和新人工程师都有帮助。最终结果是，工程师在 PR 打开前就能在本地捕获 90-95%的问题，让人工审查者能够专注于更高层次的问题。

💡 Main Points

1. AI 辅助开发将瓶颈从编写代码转移到了审查代码，为技术主管带来了新的挑战。 随着 AI 加速代码生成，PR 队列数量翻倍甚至增长两倍，技术主管的阅读速度成为团队的速度上限。文章引用了 CircleCI 的数据，显示功能分支吞吐量增长了 59%，但主分支吞吐量却下降了 7%。
2. 通用的 AI PR 审查工具之所以失败，是因为它们缺乏对团队特定知识和代码库约定的访问权限。 像 Claude Code Review 和 CodeRabbit 这样的工具无法捕捉诸如使用了错误的认证中间件、重复了已有的 hooks 或绕过了架构层等问题，因为这些信息存在于团队的集体记忆中，而非工具的默认提示中。
3. 解决方案是将团队知识迁移到代码库中结构化的、机器可读的记忆文件（AGENTS.md、CLAUDE.md）中。 通过将规则、约定和架构模式写入 AI 智能体在审查前会读取的文件中，团队可以将其集体记忆提供给 AI。文章建议使用一个根级文件作为索引，并在单体仓库中为每个服务使用独立的文件以增加深度。
4. 工程师在打开 PR 前运行的定制 PR 审查命令，将审查工作前置，并在本地捕获 90-95%的问题。 该命令从`pr-rules/`文件夹加载相关规则，限定 diff 范围，并输出结构化的审查结果（摘要、阻塞性问题、应修复、建议优化、已验证）。工程师在本地修复问题，使 PR 对话聚焦于人工层面的关注点。
5. 通过让 AI 从每次审查中建议新规则，再由人工评估并添加到记忆文件中，形成了一个持续改进的循环。 审查命令包含一条指令，要求 AI 在发现值得记住的问题时，为相关规则文件建议一个要点。由人工评估该建议，确保规则保持精准和相关，系统会随着每个 PR 不断改进。

💬 Key Quotes

• 能让审查者标记出这些问题的信息，恰恰是存在于团队头脑中的信息，而非任何工具的默认提示。
• 如果规则本身就是产品，那为什么还要为别人的封装工具按席位或按审查次数付费？
• 解决方案不是购买一个更智能的审查器，而是将规则写在一个地方，让团队中的每个智能体在审查前都能读到。
• 保持精简：臃肿的记忆文件只会让智能体草草略过。
• '已验证'部分是五个部分中最被低估的：它告诉人工审查者 AI 已经检查了哪些内容，这样他们就能将注意力集中在其他地方。

📊 Article Meta

Read Full Article