Anthropic Outlines Its AI-Powered Code Review Process for Claude Code

TL;DR · AI 摘要
Anthropic 通过多层自动化验证、AI 审查和风险评估机制,显著提升 Claude Code 的代码审查效率。
核心要点
- Claude Code 的代码审查流程中,自动化检查和 AI 审查减少了人工审查时间。
- 低风险修改无需人工审批,高风险修改需两人批准,确保代码质量。
- 审查周期限制为三轮,提升效率,内部 PR 一次通过率从 65% 提升至 78%。
结构提纲
按章节快速跳转。
- §引言
Anthropic 描述了 Claude Code 团队如何处理 AI 生成代码的代码审查流程。
随着 AI 生成代码数量增加,审查流程从传统逐行审查转向早期自动化验证。
Claude 在提交 PR 前运行测试、构建和 linters,并由独立代理进行审查。
根据风险等级决定是否需要人工审批,高风险修改需两人批准。
审查周期限制为三轮,后续审查聚焦于新修改,而非重复审查整个 PR。
审查效率显著提升,内部 PR 一次通过率从 65% 提升至 78%。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- Claude Code 审查流程
- 自动化验证
- 测试、构建、linter
- AI 审查
- 风险评估
- 低风险:无需人工审批
- 中风险:需一人审批
- 高风险:需两人审批
- 效率提升
- 审查周期限制为三轮
- 一次通过率从 65% 提升至 78%
金句 / Highlights
值得收藏与分享的关键句。
Between June and September, merged pull requests to the Claude Code repository more than doubled, while the proportion of changes requiring a revert fell by over 40%.
Review cycles are capped at three rounds before the author is asked to reconsider the implementation.
The share of internal pull requests passing after one review and fix round increased from 65% to 78%.
Anthropic 揭示 Claude Code 的 AI 驱动代码审查流程 - InfoQ
InfoQ 首页 News Anthropic 揭示 Claude Code 的 AI 驱动代码审查流程
AI、机器学习与数据工程
InfoQ 认证 AI 工程师计划(在线,1月9日):推动重要的 AI 决策向前发展。
Anthropic 揭示 Claude Code 的 AI 驱动代码审查流程
2026年11月15日 2分钟阅读
作者:
- Robert Krzaczyński
#### 关注我们
YouTube
232K 粉丝
26K 粉丝
新
RSS
19K 读者
X
57.1k 粉丝
21K 喜欢
Bluesky
收听这篇文章 -
0:00
音频准备播放
您的浏览器不支持音频元素。
正常
1.25x
1.5x
喜欢
新下拉阅读列表
- 阅读列表
Anthropic 揭示了 Claude Code 团队如何处理代码审查,随着 AI 代理在代码库中贡献越来越多。这种方法依赖于多层自动化验证、AI 驱动的审查和基于风险的人工批准,旨在减少人工审查时间,同时不增加回归或生产事故。
Addy Osmani、Morgan Westlee Lunt 和 Qing Wang 描述了团队的审查流程如何随着 AI 生成代码量的增加而演变。6月至9月期间,合并到 Claude Code 仓库的拉取请求数量翻了一番以上,而需要回滚的更改比例下降了超过40%。
与依赖传统的逐行审查不同,团队将大部分验证提前到开发过程的早期阶段。在打开拉取请求之前,Claude 会运行测试、构建和 linters,而一个独立的代理会在新的上下文中审查更改。
然后,每个拉取请求都会经过几轮自动化检查。由 Claude 驱动的审查者检查代码更改中的潜在错误,多个代理独立调查发现的问题,然后再由另一组验证。如果仍有未解决的问题,独立的安全审查也可以阻止合并。
这种方法也引发了关于软件工程、测试和质量保证之间不断演变的界限的问题。一位评论者说道:
所以代码审查现在正式等同于测试了?代码审查机制应该由 QA 团队负责吗?还有 QA 团队吗?
人工参与取决于更改的风险。低风险的修改,如文档更新或功能标志后内部功能,可能不需要人工批准。中等风险的更改需要一个人的批准,而高风险的修改则需要两个人的批准。对特别敏感的区域,包括 CI 工作流程的更改,始终需要人工监督。
团队还引入了机制,以防止自动化审查生成过多的反馈。在作者被要求重新考虑实现之前,审查周期最多进行三轮。后续的审查将集中在新的更改上,而不是反复检查整个拉取请求。
这些调整提高了审查效率。根据 Anthropic 的数据,内部拉取请求在一轮审查和修复后通过的比例从 65% 提高到了 78%。同时,需要五轮或更多轮审查的比例从 8.9% 下降到 1.5%。来源:Cloude.dev
尽管如此,人工审查者仍然负责架构决策、产品方向、高风险更改和最终结果。团队还强调,指导 AI 代理的人对 AI 代理生成的代码负责。
Anthropic 的方法不仅限于代码审查本身。合并的更改通常在功能标志后发布,内部进行测试,并逐步向用户推出。发生的问题和被撤销的更改也会被纳入一个不断增长的评估数据集,用于衡量和改进自动化审查工具。
核心思想是围绕更改引入的风险来优化代码审查,而不是根据人类亲自阅读的代码量。随着 AI 生成的代码变得越来越普遍,Anthropic 的经验表明,工程团队可能需要重新思考自动化验证与人工监督之间的平衡。
作者部分的主包装器
关于作者
部分标题
每个作者的主包装器
#### Robert Krzaczyński
显示更多
显示更少
#### 此内容属于 AI、机器学习与数据工程主题
##### 相关主题:
- AI、机器学习与数据工程
- Claude
- 代码审查
- 代理
- AI 编码代理
- Anthropic
- 相关编辑内容
- 相关赞助商 AI 安全手册:使用 AI 加速开发,同时不牺牲安全性
- 相关赞助商 Equal Experts 帮助组织利用 AI,现代化技术,并通过专家工程、协作和创新交付实践构建更好的软件。了解更多。
InfoQ 新闻简报
每周内容摘要,每星期二发送。加入超过 25 万名高级开发者的社区。查看示例
我们保护您的隐私。