open-code-review
千淘万浪虽辛苦,吹尽黄沙始到金。——刘禹锡
该用代码保证的事,别交给模型:Open Code Review 的分工表
先说三个熟悉的毛病
用通用 agent 做代码评审,几乎每个人都会踩到同样的三个坑。
第一,偷懒。 变更一大,它就只挑几个文件看,剩下的要么跳过,要么扫一眼就说「看起来没问题」。
第二,位置漂移。 它说「这里有空指针风险」,你点进去一看,那行是注释;它说第 42 行,实际在第 67 行。
第三,不稳定。 同一个 PR 跑两次,结论不一样;改一个字提示词,风格大变。而且你没法调试——输出的是一段自然语言,哪一步错了根本看不出来。
阿里巴巴这个项目对这三个毛病的诊断,只有一句话:纯语言驱动的架构,对评审过程缺少硬约束。
项目地址:https://github.com/alibaba/open-code-review
它的自我介绍是:一个 AI 驱动的代码评审 CLI。前身是阿里内部的官方 AI 代码评审助手,两年里服务了数万名开发者,发现了数百万个代码缺陷,在大规模验证之后开源。
这句话里的数字很有说服力,但真正有意思的是它给出的解法:混合架构。
分工表
它的核心哲学,可以压成一句话:确定性的工程和 agent 各干各的,干自己最擅长的。
哪些事必须「不能错」?四件。
精确的文件选择。 哪些文件该审、哪些该过滤,由一个确定的逻辑决定,而不是让模型自己挑。这一条直接掐死了「偷懒」。
聪明的文件捆绑。 相关的文件被打成一个评审单元——文档举的例子很传神:message_en.properties 和 message_zh.properties 应该捆在一起。每个包跑一个子 agent,上下文互相隔离。
细粒度的规则匹配。 规则不是一股脑塞进提示词,而是按文件特征匹配。文档还专门对比了一句:基于模板引擎的规则匹配,比语言驱动的规则指引更稳定、更可预测。
外部的定位与反思模块。 评论定位和评论反思是两个独立模块,专门用来提升 AI 反馈的位置准确度和内容准确度。
然后哪些事交给 agent?两件。
场景调优的提示词。 为代码评审深度优化的模板,效果更好,token 更省。
场景调优的工具集。 这一条的来历值得单说:它是从大规模生产数据里的工具调用轨迹中蒸馏出来的——包括调用频率分布、每个工具的重复率、新工具对整条调用链的影响。
也就是说,这个 agent 的工具箱不是「给通用 agent 的那一套」,而是从真实调用日志里长出来的。
那条分界线,画得比大多数产品清楚
我见过很多「AI + 规则」的产品,它们的做法通常是:让模型先判断,再用规则兜底。
这个项目的做法相反——把不该出错的部分,从模型手里直接拿走。
位置漂移是最好的例子。让模型输出「第几行」这件事,本质上是在让一个语言模型做坐标计算。它做得不差,但它会错,而且错得毫无规律。
而「定位」这件事,代码可以做得百分之百准确:文件是确定的、行号是可数的、diff 的偏移是可计算的。
于是它把定位拆成独立模块,模型只负责说「这里有问题,因为什么」,至于这句话最终钉在哪个位置,由工程逻辑算。
这个设计很像编译器:前端做语义分析,后端做地址分配。没人会让语义分析器自己去猜内存地址。
文件捆绑这件事,比看起来聪明
message_en.properties 和 message_zh.properties 捆在一起审——这个例子一秒钟就让人明白为什么。
因为这两份文件的问题永远是同一个:你加了 key,忘了加另一个;或者两个都加了,但翻译和行为对不上。分开审,两个 agent 各自看到一半证据,都只能说「看起来没问题」。
而捆在一起之后,还有一个更重要的副作用:每个包是独立的上下文。
这意味着两件事。一是大变更集不会把上下文撑爆——分而治之,每个包只看自己那一小块。二是天然支持并发——包与包之间没有依赖,可以同时跑。
一个设计同时解决了「上下文长度」和「吞吐」两个问题,这种便宜不常见。
基准:一个敢说自己召回更低的项目
基准那一节,开头就是一句不太像营销的话:
和通用 agent 相比,在同样的底层模型下,它的精确率和 F1 显著更高,token 消耗只有约九分之一,速度更快。
然后是那句关键的补充:它的召回率低于通用 agent——这是有意为之的取舍,偏向精确而非噪音。
这句话值得鼓掌。
所有做代码评审的工具,都面临同一个矛盾:报得多,人烦;报得少,漏。而大多数产品会选择模糊处理——既不给你召回率,也不给你精确率,只给你一句「更智能」。
这里直接把短板写在正文里,还解释了为什么这么选:评审意见的价值不在于「我提到了多少」,而在于「我提到的是不是真的」。一条误报的代价,是工程师花十分钟去确认它不存在——而这个成本乘以变更量,很快就超过漏报的期望损失。
基准本身也做得挺严肃:50 个热门开源仓库、200 个真实 PR、10 种编程语言、80 多位资深工程师交叉验证、1,505 条标注过的问题。数据集还单独放了出来。
两种执行模式,解决一个很现实的账
配置那一节有个细节,很多人会略过,但它很关键。
它明确区分了两种模式:
OCR 调模型。 ocr review、/open-code-review:review 命令、open-code-review 技能,用的都是 OCR 自己的 provider 配置——不是你 Claude Code 的团队版或专业版订阅登录。
宿主 agent 调模型。 /open-code-review:delegate-review 命令和对应的技能,用宿主 agent 已经配好的模型和认证,OCR 这边不需要任何 LLM 配置或凭证。
第二种模式叫「委托」。OCR 只负责文件选择和规则解析,实际的评审由你的编码 agent 自己完成。
这个设计解决了一个很实际的问题:有些人不愿意再开一个 API key。
而它没有把这件事藏起来,也没有含糊地说「支持你的订阅」,而是明确写了「这两条路用的是不同的账号体系」。这种把账算清楚的做法,比任何「无缝集成」的宣传都更让人放心。
命令:四种范围,一种恢复
上手就两条命令:
1 | npm install -g @alibaba-group/open-code-review |
装完,配上 provider 和模型,交互式界面会引导你选、填 key、然后自动测一遍连通性。
然后是评审的四种范围:
1 | ocr review # 工作区:已暂存、未暂存、未跟踪的改动 |
最后那条 ocr scan 是给另一种场景准备的:你要审的不是「这次改了什么」,而是「这个目录里到底有什么」。接手一个陌生仓库时,没有 diff 可看,只有一堆文件。
还有一个容易被忽略但很实用的设计:可恢复。
ocr session list 看会话,--resume <session-id> 接着跑。大仓库的评审很容易被打断——网络、超时、你自己按了 Ctrl-C。能从断点续,比从头再跑一遍省下的不只是时间,还有 API 账单。
另外,--format json --output result.json 这个组合,是专门为「让 AI 宿主 agent 读结果」准备的。一条命令的输出能喂给另一个 agent,这种事情现在越来越常见。
生态:不只是个 CLI
文档目录列出的东西,说明它想当基础设施而不是一个脚本。
MCP 服务器,用来给评审 agent 接外部工具;CI/CD 集成,GitHub Actions、GitLab CI、GitFlic CI、Gerrit;会话查看器,能在浏览器里浏览和重放评审会话,把评论标成已修复或已忽略、并且在你处理时先隐藏它们;OpenTelemetry 集成,用于可观测性。
会话查看器那条尤其贴心。「标成已忽略、先隐藏」——这是真实评审流程里最需要的一个动作:有些意见你看过了,判断它不适用,但你不想每次打开都再看到它。
一个工具愿意为「我已经否决过这条」做一个状态,说明它真的被用在有几百条评论的 PR 上过。
内部工具开源,通常意味着它已经扛过真实的烂摊子
这份文档有一句话说得挺轻:在「大规模验证」之后,我们把它孵化成了开源项目。
这句轻描淡写背后是两年和数万名开发者。
这两件事的组合很关键。一个内部工具要活过两年,得面对那些只有真实环境才有的问题:几千行的巨型 PR、生成的代码、vendored 依赖、带二进制文件的提交、一半是重命名的 diff。
而它现在能开源,说明这些坑基本都填过了——至少填到了「社区拿去用不会第一天就崩」的程度。
这和「先做开源项目再找用户」是两条完全不同的路。后者的文档里通常有一种乐观的空白:它假设输入是干净的、PR 是合理的、用户是有耐心的。
而这份文档的起点是一句诊断——纯语言驱动缺少硬约束。这是一句只有被真实场景教训过的人才说得出来的话。
最后
回到开头那三个毛病。
偷懒、漂移、不稳定——它们的共同点不是模型不够聪明,而是我们把太多「本该由代码保证」的事,交给了语言模型。
Open Code Review 的答案很朴素:先分清哪些事不能错,把那些事写成确定性的代码;剩下的才交给 agent,并且给它一套从真实调用数据里蒸馏出来的工具。
这个分工听起来不高级,甚至有点保守。但代码评审这件事,本来就该保守——你不是在找一个「有创意的意见」,你在找「这里会不会出事」。
至于它把召回率更低这件事写在正文里,那大概是这份文档里最像工程师的一句话:我们知道自己漏,我们选择不吵。
在一个到处都在比谁报得多的行业里,这个选择挺难得的。
