阿里内部 2 万人在用的代码评审,开源了
代码评审这件事,用 AI 做最容易踩的坑是:它审得不全,还报得不准。
改动一多就只挑几个文件看,报出来的问题行号还经常飘。你打开一看根本不是那行,关掉;下次再看到它报错,直接忽略。
阿里把这套东西开源了,叫 Open Code Review。内部 2 万多活跃用户,跑过 500 万次真实评审任务,Go 写的,Apache-2.0。
它承认了自己的前三种死法
README 开头就列了通用 agent 做代码评审的三个问题,写得比我能总结的准:
覆盖不全——改动大的时候 agent 会"偷工减料",挑几个文件看完就说完了,剩下的没看。 位置漂移——报的问题对不上代码位置,行号、文件名都偏了。 质量不稳——纯自然语言驱动的 skill 难调试,prompt 改一个字结果就变。
根因一句话:纯语言驱动的架构,对评审过程没有硬约束。
这个诊断是对的。用 Claude Code 加个"请你评审这段代码"的 skill,它能做的事本质上是"生成一段看起来像评审意见的文字"。它没有清单,没有覆盖率要求,没有必须检查的项。
该用工程的地方,不让模型猜
它的解法叫"确定性工程 × Agent 混合"——不该出错的部分用代码写死,该判断的部分才交给模型。
具体四条:
精确选文件——哪些文件必须审、哪些过滤掉,是工程逻辑判定的,不是模型扫一眼觉得差不多。
智能文件捆绑——相关文件打成一个评审单元。它举的例子很典型:message_en.properties 和 message_zh.properties 必须放一起看,否则你改了英文没改中文这件事永远发现不了。每个 bundle 跑一个独立上下文的子 agent,天然支持并发,改动再大也不会崩。
细粒度规则匹配——用模板引擎把规则匹配到具体文件,而不是让模型自己判断"这条规则适不适用"。语言驱动的规则引导不稳定,模板引擎的稳定。
独立的定位与反思模块——评论定位和评论内容各有一个独立模块做二次校验。这直接对着上面那个"位置漂移"的病根下药。
剩下真正需要判断的——动态决策、动态取上下文——才交给 agent。连工具集都是从大规模生产数据的调用轨迹里蒸馏出来的:哪个工具被调得多、哪些调用重复、加了新工具对整条链路有什么影响。
它的数据:精度换召回
这套设计的结果是一组有点反直觉的数字。
评测集叫 AACR-Bench:50 个开源仓库、200 个真实 PR、10 种语言,80 多位资深工程师交叉验证,1,505 条标注好的真实问题。

同一个模型(Claude 4.6 Opus),两种跑法:
| 指标 | Open Code Review | Claude Code |
|---|---|---|
| F1 | 25.10% | 11.57% |
| 精确率 | 33.90% | 28.90% |
| 召回率 | 20.00% | 11.57% |
| 平均耗时 | 1 分 23 秒 | 13 分 6 秒 |
| 平均 token | 38.5 万 | 566 万 |
token 是 1/14.7,时间是 1/9.4。
但注意召回率那行,官方的说法很直接:
它的召回率低于通用 agent——这是刻意的取舍,用精度换少一点噪音。
也就是说,它会漏。它选择的是"我报出来的基本都是真问题",而不是"我尽量多报,你自己筛"。
这个取舍对不对,取决于你更怕哪种情况:漏掉一个 bug,还是每天被二十条无效评论淹掉然后开始无视所有 AI 评论。后者在团队里更常见,也更致命——一旦大家习惯性忽略,这套工具就等于零。
两种跑法,没 API Key 也能用
它提供 ocr CLI 和一套 Agent Skill,两种模式:
原生模式——OCR 自己的评审 agent 和流水线,需要配一个模型 endpoint。 委托模式——用你现有的 coding agent(Claude Code、Codex、Cursor、Kimi Code 都行)来跑分析,OCR 只提供流水线和护栏:选文件、解析规则、覆盖率要求、结构化报告。
如果你没有单独的 API Key,直接用委托模式。 它不需要配 provider,用你 agent 现有的认证和额度。但官方也写清楚了:agent 的订阅不是原生模式的 API 凭据,两件事不能混。
安装:
# 装 skill(在你想要评审的项目里跑)
npx skills add alibaba/open-code-review
# 或者只装 CLI
npm install -g @alibaba-group/open-code-review
前置条件只有一个:Git ≥ 2.41。它靠 Git 生成 diff、搜代码、做仓库操作。
原生模式配好模型后:
ocr config provider
ocr config model
ocr review
除了评审 diff,还有 ocr scan 可以整文件扫——接手一个陌生代码库、或者某个目录根本没有有意义的 diff 时用。
那 500 万次是怎么来的
这可能是全文最值得看的一条:它不是为开源现做的。
官方说法是,这套东西在阿里内部做了两年,服务了数万名开发者,找出数百万个代码缺陷,在规模化验证之后才孵化成开源项目。现在 npm 上一个月 69 万次下载。
这个背景解释了两件事。
一是那套"文件捆绑""规则模板""定位校验"的设计为什么这么具体——message_en/zh.properties 这种例子,只有真的在企业代码库里跑过才想得到。
二是它为什么敢用 F1 25% 这种不好看的数字对外——因为它在内部本来就不是拿来炫指标的,是拿来用的。
什么时候它不如直接用 agent
你在看一个三十行的小 PR,随手扫一眼就完了。这时候装 OCR 是多余的。
你要的是"帮我把这段代码读一遍,说说感觉"——这种开放式问答,通用 agent 比流水线更合适。
它擅长的是另一类场景:改动涉及十几个文件、你需要在 CI 里跑、报告要能贴进 PR 评论、还有别人等着看你的评审意见。
这种时候你需要的是每次都给同样标准的结果,不是一个偶尔惊艳偶尔离谱的助手。
相关链接:
暂无评论。