InfoQ

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

8.5内容质量
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。

  1. Anthropic 描述了 Claude Code 团队如何处理 AI 生成代码的代码审查流程。

  2. 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。

  3. Claude 在提交 PR 前运行测试、构建和 linters,并由独立代理进行审查。

  4. 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。

  5. 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。

  6. 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%.

    — 第 3 段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • Review cycles are capped at three rounds before the author is asked to reconsider the implementation.

    — 第 6 段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • The share of internal pull requests passing after one review and fix round increased from 65% to 78%.

    — 第 7 段

    ⬇︎ 下载 PNG𝕏 分享到 X
#AI#代码审查#Anthropic#Claude Code
打开原文

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

LinkedIn

26K 粉丝

Instagram

新

RSS

19K 读者

X

57.1k 粉丝

Facebook

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。