开发者 mizoko 半年实测三个 Claude Code 审查 skill,纳入 1,306 条评论:最简单的基础款修复率 68.9%,并行 14 个视角的复杂款只有 59.2%。这组数据值得关心,因为它给“AI 审查代码加更多 Agent 就会更好”提供了一个具体反例。
这是什么
这是 mizoko 为一个移动端 App 和一个后端项目搭建的三个代码审查 skill。skill 是 Claude Code 里可复用的指令包,可以理解成专门负责检查代码的一套工作流程。
基础款 review-pr 会在代码变更请求(PR,即代码修改请求)上逐行评论;deep-review 会并行调用最多 14 个子 Agent,从不同角度寻找问题;nitpick-pr 则只检查格式等细枝末节。统计期为 2026 年 4 月 1 日至 11 月 13 日。
三个方案的错误评论比例都在 10% 左右,修复率却相差近 10 个百分点。deep-review 平均每个 PR 发出 7.8 条评论,是基础款 4.4 条的约 1.8 倍;其中 17.4% 的评论虽未出错,却优先级低或超出本次修改范围。结果是噪音挤占了注意力。
行业怎么看
我们认为,这项测试最值得借鉴的不是“简单方案获胜”,而是评价 AI 工具不能只看发现多少问题,还要看建议是否被采纳、是否准确,以及是否把人的注意力淹没。基础款留下,是因为它与开发者的实际决策更匹配。
但这组数据不足以证明复杂方案没有价值。nitpick-pr 的修复率为 66.7%,却只发现格式问题;同理,如果 deep-review 找到了少数高严重度缺陷,仅用修复率也无法完整衡量。文中还有三个明显限制:只统计已合并且作者回复过的 PR,修复率可能偏高;36% 的评论无法确认来源;“已修复”的人工判断也存在噪音。
因此,我们不会把它解读为“以后不要用多 Agent”。更可靠的结论是:增加审查视角之前,应先建立去重、排序和严重程度分级机制,否则新增的往往不是洞察,而是待处理事项。
对普通人的影响
对企业 IT:企业部署 AI 代码审查时,应同时追踪修复率、误报率和漏报率,而不是用评论数量证明系统有效。对团队而言,能少说但说到重点,通常比全面铺开更有用。
对个人职场:开发者的核心技能正在从“写出代码”扩展到“定义检查标准、验证 AI 建议”。能判断一条评论是否值得改的人,会比单纯追求生成速度的人更稀缺。
对消费市场:代码审查智能体短期更可能进入企业开发工具,而非直接成为大众产品。用户最终感受到的,将是软件更新更快、缺陷更少,还是被大量低价值提示打扰。