我用learn-claude-code改了一个AI代码审查项目

黑客Zion

233人浏览 · 2026-10-22 11:47:57

黑客Zion · 2026-10-22 11:47:57 发布

最近带的一个学员，做了九年中间件，在一家做企业 SaaS 的公司，管的是几百个 Java 服务底下那层东西：网关插件、发布流水线、各种代码扫描。今年七月中他找我的时候，刚学完一套 Agent 课程，状态不太对，问我为什么课都听懂了，自己动手就写不动。

三个月过去，他没有拿到新 Offer，也没有转岗成功。但上周有一个东西正式跑起来了：一个挂在他们 GitLab 上的 AI 代码审查机器人。同事提 MR，流水线自动触发，它读完 diff 在下面留评论。上线五周，全组已经默认它的评论和真人 reviewer 的评论一样需要回应。

这个机器人不是他从零写的。底子是一个叫 learn-claude-code 的开源项目——这个项目本来的用途是教学，教你怎么从零复刻一个 Claude Code。代码量不大，两三千行，但 Agent 该有的零件一样不少：工具调用、循环控制、上下文压缩，全都在。他把这个项目读了两遍，然后改成了他们团队的代码审查工具。

他复盘的时候说了一句：如果重来一次，我不会花前五周自己从零写那一版。

从零写的那版烂尾了

七月他学完课程，视频看完，笔记记满，感觉自己会了。然后照着课上教的架构自己动手写，一写就写了五周。

烂尾的过程他后来跟我复述过：第一周纠结框架选型，LangChain 还是原生 SDK，换了三次；第二周写工具调用，参数校验写完发现模型传参总是不合预期，返工；第三周到第五周在上下文管理上死磕——对话一长，token 爆掉，自己做截断，截断之后模型又开始忘事。五周下来写了快两千行，能跑 demo，跑不了真事。

八月中旬有天晚上，他把这版代码从头翻了一遍，跟我说越翻越清楚一件事：不是缺想法，是缺一个做对了的参照物。课程教的是概念，可 Agent 这种东西，概念全懂和写对是两回事，中间隔着大量只有真代码里才看得见的细节——比如循环什么时候退出、出错怎么降级、上下文快满的时候先扔什么。

那几天在一个转型群里看到有人提 learn-claude-code，说这个项目麻雀虽小。他当晚 clone 下来，翻到凌晨一点。

learn-claude-code 他读了两遍

第一遍是通读，不追求看懂每一行，只画结构：入口在哪，主循环在哪，工具怎么注册，一轮对话的数据流是什么样。画完发现整个 Agent 的骨架比他想象的简单——一个 while 循环，每轮把消息和历史发给模型，模型说要调哪个工具，执行完把结果塞回去，直到模型说做完了。课程里讲了两周的 Agent 原理，在这两千行里就是几段代码。

第二遍是带着问题读。他列了三个问题：它怎么决定什么时候停？上下文快满了它怎么处理？工具执行出错了它是重试还是放弃？这三个问题恰好就是他那五周里没解决的问题。答案都在代码里：停止靠模型输出特定标记加轮数上限双保险；上下文超限先压缩旧对话再裁工具结果，有明确的优先级；工具报错不盲目重试，把错误信息原样回给模型让它自己换路。

读完第二遍他有个很直接的感受：从零写是考试，改开源项目是抄作业。但抄作业的前提是你把答案看懂了。

九月初，他决定不写第三版了，拿它当底子，改成代码审查工具。定这个方向不是拍脑袋——他做了九年中间件，天天泡在代码审查和流水线里，团队里哪些规矩 checkstyle 查不出来、哪些 MR 最容易被糊弄过去，没人比他更清楚。

改造的四步，每步一个坑

第一步，解决喂什么。最直觉的做法是把整个代码库给模型，他第一次试就爆了：他们一个大仓的 diff 动辄上千行，加上相关文件，上下文根本装不下。改完的方案是只喂 MR 的 diff，再让 Agent 自己去仓库里检索和这次改动相关的调用方和被调方，按需拉文件。验收标准定的是单次审查的 token 消耗稳定可预估，一旦超了，说明检索环节出了问题。

第二步，注入团队规约。团队里那些口头规矩——对外接口必须考虑幂等、流水线里禁止加同步阻塞调用——checkstyle 查不出来，恰恰是最值得审的。第一版他把四十多条规约全塞进系统提示词，结果模型顾头不顾尾，前面的记得住后面的忘。后来改成按文件类型分层注入：改到对外接口的文件才注入接口规约，改到流水线配置才注入那部分。规约命中率肉眼可见地上来了。

第三步，也是最大的坑：误报。第一版挂在 MR 上跑了一周，二十多条评论里十五条是误报，同组的人给他原话：这玩意儿像个不懂装懂的实习生。那周他一度想把它下线，跟我打电话的时候语气挺丧，说做了两个月做出个笑话。后来做的事是把误报变成可测量的：从他们过去三个月的 MR 里翻出一百二十条真人 review 留过的评论，做成评测集，每次改提示词或者改规约，先跑评测集，看它能不能复现这些真人会提的问题、会不会在真人没提的地方瞎提。评测集不过七十分的版本不许挂 MR。靠着这个，误报率从第一周的六成压到了三成以下。

第四步，落地方式。一个教训是不搞群发报告。最早他让机器人每天发一份审查汇总到群里，没人看。改成评论直接挂在 MR 的对应代码行上，只@作者，作者处理完打个标签。人只回应和自己有关的东西。

合规这件事让他先走了：代码审查必然涉及公司代码出库，他一开始就找了安全团队，方案是全链路走公司内网部署的模型，代码不出域，审批走了一周多。这一步别省，出事就是大事故。

三个月下来的一笔账

业余时间累计大概一百九十个小时，其中读 learn-claude-code 源码花掉四十个，改造和调评测花掉一百二十个，剩下的是陪跑和踩废坑。中间从零写的那五周，现在看有一半时间是白费的——但也不能说全白费，没亲手写过一遍，读源码的时候很多细节是感知不到的。

机器人上线五周，审了一百多个 MR，留了三百多条评论，被作者采纳或者引发讨论的大概占三分之一。上个月他们组来了个新人，review 习惯是先看 AI 的评论再看人的，他问为什么，人家说 AI 的评论至少不会漏看文件。

这条路子适合谁，我说实话：

不适合零基础。learn-claude-code 是 Python 写的，你至少要能顺畅读懂别人的代码，这个前提不满足的话，读源码比从零写更痛苦。也不适合公司明确禁止代码出域又没有内网模型的，别硬来。

适合的是三年以上后端、手里有真实高频场景的人。代码审查、告警初筛、日志归因，这类规则写不全但人看得出来的活，都是改造开源 Agent 的好底子。你缺的从来不是再学一个框架，是一个做对了的参照物，和一段愿意逐行读别人代码的耐心。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。