AI code review: что поручать модели и что оставлять человеку
AI code review: чеклист рисков, границы модели, ритуал PR и связь с оценкой AI-coding навыков разработчика.
<p>AI code review помогает быстрее разобраться с изменениями: она выявляет неочевидные ветвления логики, отсутствующие проверки, сомнительные SQL‑запросы и несоответствия в названиях элементов. Но финальное решение принимать ли правки остаётся за человеком. Ниже — как встроить модель в ритуал ревью и проверить навык на оценке AI для разработчиков.</p>
Роль AI в ревью: первый проход, не вердикт
Модель хорошо собирает список вопросов к коду. Она слабее в понимании бизнес-инвариантов, скрытых договорённостей команды и долгосрочной цены абстракции. Используйте AI как ускоритель внимания, а не как автоматический approve.
В направлении разработки навык лежит в кластере code review с AI. Он связан с промптами для кода: качество ревью зависит от того, какой diff и какой контекст вы передали.
Что AI обычно ловит хорошо
- Пропущенные null/undefined проверки на очевидных путях.
- Несогласованная обработка ошибок внутри одного модуля.
- Подозрительные строковые конкатенации в запросах.
- Мёртвый код и неиспользуемые ветки после рефакторинга.
- Отсутствие теста на заявленный багфикс.
- Расхождение имён и комментариев с фактическим поведением.
Просите структурированный ответ: критичные риски, средние, вопросы автору, предложённые тесты. Так проще отфильтровать шум и не утонуть в стилистических придирках.
Слепые зоны модели
| Зона | Почему AI слабее | Что делает человек |
|---|---|---|
| Доменные инварианты | Нет полной картины продукта | Сверяет с требованиями и краевыми правилами |
| Архитектурный fit | Не чувствует долг команды | Оценивает связность и сопровождение |
| Безопасность на стыках | Легко пропустить цепочку прав | Проверяет authz, tenancy, аудит |
| Производительность | Нет профиля и реальных объёмов | Смотрит нагрузку и индексы |
Ритуал PR с AI
- Автор готовит малый diff и описание цели.
- AI получает diff + контекст соседних контрактов + список рисков домена.
- Автор закрывает очевидные замечания до ревьюера.
- Ревьюер читает оставшееся: инварианты, архитектура, тесты.
- В описании PR кратко отмечают, что проверено человеком после AI.
Так AI снимает шум, а ревьюер тратит внимание на дорогое. Без этого шага команда либо игнорирует модель, либо слепо доверяет ей — оба режима вредны.
Как формулировать запрос на ревью
Плохой запрос: «проревьюй код». Сильный: цель изменения, список файлов, что нельзя ломать, известные риски, формат ответа. Добавьте 2–3 доменных правила, которые модель не угадает.
- «Не предлагай новые библиотеки».
- «Фокус: гонки, идемпотентность, права доступа».
- «Отметь места без тестов на изменённую ветку».
- «Раздели: blocker / should-fix / nit».
Если менялся код, сгенерированный ранее с AI, ревью тем важнее: ошибки компаундируются. Связка с AI для разработчиков — держать малый шаг изменений и обязательную проверку.
Метрики качества ревью с AI
Смотрите долю замечаний AI, которые подтвердил человек; число blocker, пойманных до прода; время до первого осмысленного комментария; число инцидентов после merge в зоне, где AI «одобрил». Если подтверждённых замечаний мало — улучшайте промпт и контекст, а не увеличивайте объём генерации.
Примеры замечаний: полезные и шумные
Полезное замечание AI: «в ветке ошибки токен пишется в лог; в соседнем модуле логирование маскирует секреты — проверьте единообразие». Шумное: «можно переименовать переменную i в index для читаемости», когда линтер уже задаёт стиль. Учите команду отбрасывать nit и оставлять риск.
В шаблоне ответа модели закрепите: каждое blocker-замечание должно ссылаться на файл и симптом. Без якоря замечание легко превращается в общие слова. Ревьюер тратит меньше времени, когда список уже отфильтрован автором.
| Тип замечания | Пример | Действие |
|---|---|---|
| Blocker | Нет проверки прав на удаление | Чинить до merge |
| Should-fix | Нет теста на пустой список | Добавить в том же PR |
| Question | Почему выбран sync вместо очереди? | Автор объясняет в PR |
| Nit | Порядок импортов | Отдать форматтеру |
Ревью кода, который писала модель
Код от AI ревьюируют жёстче: чаще появляются неиспользуемые ветки, выдуманные хелперы и «улучшения», которых не просили. Автор обязан пройтись по diff строка за строкой до ревьюера. AI-ревью второго прохода помогает, но не снимает ответственность.
- Сверить, что каждый изменённый файл связан с целью PR.
- Удалить мёртвые ветки и неиспользуемые импорты до ревью.
- Прогнать тесты локально и в CI-эквиваленте.
- Отметить зоны, где модель могла нарушить инвариант домена.
Отдельно договоритесь, что делать с ложными срабатываниями. Если AI регулярно помечает безопасный паттерн проекта как риск, добавьте этот паттерн в негативные примеры промпта. Иначе ревьюеры начнут игнорировать весь список модели — и вместе с шумом потеряют полезные blocker.
Для security-чувствительных PR введите второй человеческий проход независимо от AI: права доступа, tenancy, аудит действий, работа с секретами. Модель может подсветить строку, но цепочку угроз на стыке сервисов она часто не собирает. Фиксируйте этот двойной контур в definition of done.
Метрика зрелости: доля PR, где автор приложил AI-ревью до назначения ревьюера, и доля blocker от модели, подтверждённых человеком. Растущий первый показатель без второго — признак ритуала ради галочки. Растущие оба — признак, что шаблон запроса и дисциплина автора работают.
- Храните 3–5 эталонных PR с хорошим AI-проходом в wiki команды.
- Новичкам давайте разбор эталона до первого самостоятельного ревью.
- Раз в спринт вычёркивайте из шаблона пункты, которые всегда дают шум.
- Связывайте практику ревью с оценкой AI-coding, а не только с личным вкусом.
Навык ревьюера и оценка
Умение пользоваться AI в ревью — часть AI-coding: отобрать сигнал, отбросить шум, усилить проверку риска. Проверить уровень можно на оценке AI для разработчиков. Карта направления — на странице разработки.
Смежные материалы: отладка кода с AI, AI для написания тестов, как проверить AI coding навыки.
В больших командах назначьте владельца шаблона AI-ревью: он собирает ложные срабатывания, обновляет негативные примеры и раз в спринт публикует короткую заметку, что модель стала ловить лучше. Без владельца шаблон устаревает, а люди возвращаются к ручному хаосу.
Связывайте AI-ревью с CI: линтер и тесты закрывают механику, модель смотрит на смысл и риски, человек принимает решение. Если CI красный, сначала чините сборку. Зелёный CI плюс структурированный AI-проход дают ревьюеру спокойное окно внимания.
Для фронтенд-PR отдельно просите проверить доступность и состояния загрузки и ошибки. Для backend — идемпотентность, таймауты, ретраи. Универсальный запрос проревьюй слабее профильного набора рисков под тип изменения.
Не смешивайте AI-ревью с генерацией фикса в одном ответе. Сначала список рисков и вопросов, затем отдельным шагом — патчи только по подтверждённым blocker. Иначе модель «чинит» косметику и прячет настоящие проблемы в шуме diff.
Для срочных hotfix оставьте укороченный ритуал: AI смотрит только на изменённые строки и зоны auth/данных, человек подтверждает, тесты на регрессию обязательны. Полный nit-проход можно догнать в follow-up PR, но не ценой скорости стабилизации.
Храните в шаблоне PR чекбокс: AI-проход выполнен, критичные замечания закрыты автором, человек подтвердил зоны auth и данных. Чекбокс не бюрократия ради галочки — это общий язык команды о том, что уже сделано до назначения ревьюера.
Чек-лист AI code review
- Diff маленький и с понятной целью.
- В запрос добавлены доменные риски и запреты.
- Ответ модели структурирован по severity.
- Автор закрыл очевидное до человека.
- Человек проверил auth, данные, инварианты, тесты.
- В PR зафиксировано, что осталось на ответственности ревьюера.
- Ложные срабатывания AI превращены в улучшение шаблона.
Итог: AI code review повышает плотность внимания на первом проходе. Сила команды — в ритуале, где модель готовит список рисков, а человек принимает решение о merge. Закрепите шаблон запроса и измерьте навык на оценке AI для разработчиков.
Частые вопросы
Можно ли принимать изменения только на основании положительной оценки от ИИ, без участия человека?
Для рисковых зон — нет. Для совсем тривиальных правок команда может упростить процесс, но ответственность и правило исключений всё равно фиксируются письменно.
Как справляться с мелкими замечаниями от AI?
<p>Если модель выдаёт много мелких правок, заранее задайте чёткие категории замечаний: «критично», «стоит исправить», «мелочь». При этом ограничьте количество мелких замечаний — установите для них верхний порог. Стилистические недочёты лучше исправлять не через чат, а с помощью автоматических инструментов — линтера и форматтера кода.</p>
Нужно ли показывать AI весь репозиторий?
<p>Как правило, не нужно. Достаточно показать список изменений (diff) и связанные интерфейсы или правила взаимодействия частей системы. Лишний контекст только добавляет «шум» и повышает риск того, что в запрос попадут ненужные данные.</p>
Как совместить проверку кода с ИИ и проверку безопасности?
<p>AI может подсветить подозрительные места. Но полный перечень требований безопасности и анализ рисков на стыке разных сервисов остаётся зоной ответственности человека либо отдельного процесса в команде.</p>
Помогает ли AI code review новичкам?
Да, как учебный список вопросов к коду. Ментор всё равно объясняет, какие замечания критичны для вашего домена, а какие можно отложить.
Как проверить, что команда умеет ревьюить с AI?
<p>Проанализируйте несколько запросов на внесение изменений: посмотрите, какую долю замечаний от модели ревьюеры подтвердили как важные, а какие — пропустили, посчитав их несущественными или ошибочными. Затем пройдите оценку AI для разработчиков и закройте пробелы практикой.</p>