AI 编程工具实战：代码审查清单模板

为什么 AI 更需要代码审查

AI 可以快速生成代码，但它不会为“线上稳定”负责。Google 的工程实践评审指南强调：评审的目标是提高整体代码质量，而不是挑语法细节。对 AI 产物尤其如此：你需要一份“可执行”的审查清单，而不是泛泛而谈。

---

1) 正确性（Correctness）

• 核心逻辑是否符合需求？
• 关键边界条件（空值、极端值、异常状态）是否考虑？
• 是否存在“看似可运行但结果不对”的隐藏分支？

**建议：**把“需求输入/输出”写成最小测试用例，逐条对照。

---

2) 可维护性（Maintainability）

• 模块拆分是否清晰？
• 命名是否能表达职责？
• 是否避免重复逻辑（可复用函数）？

**建议：**AI 很容易输出“一坨脚本”，必须强制拆模块。

---

3) 安全性（Security）

• 权限校验是否完整？
• 是否有注入风险（SQL/模板/命令）？
• 是否泄漏敏感数据（日志、错误信息）？

**建议：**安全问题不该等上线后再补，评审阶段必须阻断。

---

4) 效率与可观测（Performance & Observability）

• 有没有明显性能瓶颈（循环、I/O、批量处理）？
• 日志是否足够定位问题？
• 关键流程是否有监控/告警入口？

**建议：**AI 往往忽略可观测性，你需要明确提出“必须打点”。

---

5) 一致性与规范（Consistency）

• Lint / 格式是否统一？
• 是否符合团队约定的代码风格？
• 是否包含必要的测试与评审记录？

**建议：**规范不是“可选项”，而是质量门禁的一部分。

---

实用清单（可直接复制）

• 逻辑正确、边界覆盖
• 结构清晰、命名合理
• 权限/注入/敏感信息检查
• 性能与日志可观测
• 格式、风格、测试齐备

---

小结

AI 代码的评审不是“审 AI”，而是把 AI 产物当作人类代码对待。参考 Google 工程实践的原则：明确标准、关注质量、快速反馈。这样 AI 才能从“快”进化到“稳”。