结论先行:AI 生成代码最危险的形态不是报错的代码,而是「能跑、能过测试、但架构错误或暗藏隐患」的正确垃圾代码。评审纪律的核心是三条:按风险分级而不是按来源分级、用自动化门禁拦住机器能查的问题、把人的注意力集中在机器查不出的设计缺陷上。本文给出识别清单与可落地的 CI 门禁配置。
一、什么是正确垃圾代码
它通过了编译、通过了测试、演示也正常,但属于以下几类:
| 类型 | 典型表现 | 危害 |
|---|---|---|
| 重复造轮子 | 项目已有 utils/format.ts,又生成一个几乎相同的格式化函数 | 维护面翻倍,行为漂移 |
| 过度设计 | 一个 20 行的需求生成三层抽象加配置系统 | 没人看得懂,改不动 |
| 幻觉依赖 | import 了不存在的包或 API,或引入与项目版本不兼容的库 | 供应链风险、构建脆弱 |
| 静默吞错 | catch 块为空、错误被转成默认值继续跑 | 故障被掩盖,排障成本剧增 |
| 表面安全 | 拼接 SQL、未校验的用户输入直接入库 | 注入与越权漏洞 |
| 测试造假 | 断言写成 expect(true).toBe(true),或 mock 掉被测逻辑本身 | 覆盖率虚高,门禁失效 |
共同点是:局部看每一行都「对」,整体看是负债。传统逐行评审容易被流畅的命名与注释麻痹,必须换检查视角。
二、评审视角:从逐行到五问
对 AI 生成的大块 diff,先问五个整体问题再看细节:
- 该不该存在——这个功能项目里是否已有实现?先搜再评;
- 边界对不对——改动是否超出任务声明的范围,无关文件是否被顺手重构;
- 契约守没守——接口返回结构、错误码、命名是否与既有约定一致;
- 失败路径——网络断开、参数非法、权限不足时的行为是否被定义与测试;
- 可删除性——这段代码三个月后能不能被安全删掉或替换。
五问里任何一问答不上来,就打回让 AI 补充说明或重做,而不是评审人替它脑补。
三、自动化门禁:机器查的别用人查
把确定性检查全部前置到 CI,人只审机器查不出的东西。最小门禁组合:
# .github/workflows/ai-code-gate.yml(示意)
name: code-gate
on: [pull_request]
jobs:
gate:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- run: npm ci
- run: npm run lint
- run: npm run typecheck
- run: npm test -- --coverage
- run: npm audit --audit-level=high再配三类专项扫描:密钥扫描(gitleaks 等,防止 AI 把 .env 示例值写成真实凭据格式)、依赖审查(新增依赖必须在 PR 描述里说明理由)、覆盖率阈值(对新增代码设增量覆盖率要求,防止测试造假蒙混)。分支保护规则要求门禁全绿才允许合并,评审人有一票否决权。
四、契约类问题:用规则文件前置预防
评审里最高频的 AI 错误是「自创契约」:返回体一会儿 { code, data, msg } 一会儿 { error, result }。这类问题靠评审拦太贵,应该写进 AI 工具的规则文件前置预防。例如项目使用 api工厂的 SDK(apifm-wxapi、apifm-webapi 等)时,在 Cursor 的 .cursor/rules 或 Claude Code 的 CLAUDE.md 里写死:统一返回 { code, data, msg },code 为 0 才是成功;请求必须走 SDK 已有方法,禁止手写重复封装。平台接口约定见 https://www.it120.cc/ 。规则前置后,评审时契约类问题基本清零,人力可以集中在业务正确性上。
五、流程纪律:让 AI 代码可追溯
- PR 标注 AI 生成比例与所用工具,评审人按风险调整抽查深度;
- 大 diff 强制拆分:一次 PR 只做一件事,超过 400 行的生成代码要求分批提交;
- 要求提交者附上实际运行过的验收命令与结果,「应该能跑」不算验收;
- 核心模块(支付、鉴权、数据删除)禁止纯 AI 生成直接合并,必须有人工重写或逐行确认记录;
- 评审发现的每一类 AI 高频错误,回写进规则文件,形成「评审→规则→更少评审」的闭环;
- 对 AI 生成的测试单独抽查:断言是否真的覆盖业务行为,mock 是否绕过了被测逻辑本身。
评审的目标不是证明 AI 写得差,而是让「正确的代码」和「正确的架构」同时成立。门禁拦下限,规则防复发,人审设计——三层各司其职,AI 产出才敢放心合入主干。
六、度量:让纪律可持续
没有度量的纪律会松弛。建议跟踪三个指标:AI 生成 PR 的一次通过率(门禁全绿且评审无重大意见)、评审打回原因分布(契约、范围、设计各占多少)、线上缺陷中 AI 生成代码的占比。打回原因分布直接决定下一步投入:契约类占比高就补规则文件,设计类占比高就收紧任务拆解粒度,测试造假多就加增量覆盖率门禁。每月回顾一次,让闭环有数据支撑而不是靠感觉;同时警惕指标异化——一次通过率下降未必是坏事,也可能是评审标准在变得更严格。
文章标签
相关产品
api工厂是面向开发者的开放 SaaS 平台:开箱即用的后台管理系统 + 全端 SDK,只需前端开发即可构建小程序、App、H5 与网站。