2026年第18期｜AI 应用最佳实践——CodeReview Agent 的效果和落地实践

8月7日，AI DAY邀请自动驾驶业务部 F Teng、D事业部 Y Gao 联合分享《AI 应用最佳实践——CodeReview Agent 的效果和落地实践》，围绕“把代码评审从人工经验变成可执行、可复核、可落地的审查协议”这一核心主题，系统分享了从问题识别、效果验证到推广落地的完整实践，线上线下共76人参与。

背景与问题

随着项目仓库增多、提交变快、语言变杂，传统人工评审面临排队等待长、关注深度不稳定、经验难以沉淀复用等压力；静态分析缺少业务语义，单轮大模型易丢失上下文证据链，通用合并请求机器人缺乏项目级知识。团队目标不是再做“一个评论机器人”，而是建立可执行、可复核、可落地的审查协议。

核心方案：五层审查架构

①输入与快照：支持 commit、webhook、需求文档等多入口，生成唯一版本快照；

②确定性准备：Diff、CodeGraph、cppcheck、checklist 自动汇集，由规则与工具驱动避免模型临场发挥；

③Agent 语义审查：按风险域分批，建立 Ledger，沿生产者→消费者→调用点→失败路径深读，每项检查输出结论、证据、定位；

④Merge/Render：去重、状态汇总，渲染统一报告；

⑤Publish：Diff 行映射、GitLab 精确行评论、经验回流。

质量成效

Q2 里程碑三轮迭代，评审有效性从 54% 提升至 64% 再到 82%。三大业务场景实践：自驾正确率 87.65%、智能座舱平均正确率 71.5%、D 事业部 85.0%。单次评审约消耗 10 万 token，主要集中于语义判断阶段；支持 CheckList 个性化规则、cppcheck 静态集成、MCP 联动 JIRA/Redmine、服务端批量评审模式。

实操演示

Y Gao 现场演示 SDW 平台完整流程：安装 skill、添加仓库、自然语言触发“评审一下我的代码”、按 commit 审查；支持结合需求文档一致性审查，故意制造的不一致被成功识别。大部分处理在本地完成（CodeGraph 构建、上下文提取），仅语义判断调用公司受控 API，保障代码安全可控。

关键共识

CodeReview Agent 不是替代人工评审，而是补足项目的语义理解和审查协议闭环：把机器检查前置、把审查范围写成计划、把经验沉淀为规则，最终将裁决事项留给核心人员。该定位已在研究院、自动驾驶第一事业部和智能座舱团队达成共识。