126 条评论降到 0：一个开发者把 AI 代码的 review 关了

Martin Gratzer 一月在 Colorburst 的 25 个 PR 上写了 126 条行内评论。九月和十月，159 个 PR，一条没有。他的新项目 Tandler 总共只有三条手写评论，全在最早那个 PR 上。

这些数字来自他自己的统计。不是 agent 不犯错了，是能被他抓到的问题，基本已经被 agent 和它周边的系统先抓到。

他举了两个例子。Colorburst 改配额那次，两个新上下文的 reviewer 发现测试 fixture 用了一个不存在的定价档位，测试全绿，但免费档根本没被测到。另一次依赖更新，一个对抗性 review 用 30 个构造 payload 打 SVG sanitizer，找出三条绕过路径。两个问题都在 PR 内修掉了，人还没看过 diff。

图里左边是二月的流程：人计划 issue、agent 实现、人自查、人逐行看 diff。右边是十月：人先把问题塑形，agent 实现并在新上下文里跑一遍，guard 推着 CI 和 review 反馈往前走，land 给绿色 PR 做风险判定，低风险直接自动合并。人挪到了两头。

为了让证据不只来自自己，他拉了一个朋友做实验。Andreas 是和他共用办公室的土木工程师，在行业里有个想法搁了很久。Martin 给他看了 Claude，他用 Claude Cowork 搭出原型。功能跑得通，界面也拿得出手，潜在客户看了很兴奋。

但底下是典型的 vibe coding 灾难：一开始没有 git，没有 CI，一个巨大的 index.html 塞满内联 JavaScript，每次查询读将近 1GB 数据，因为没人告诉他地理数据该用 PostGIS。

Martin 从原型重新搭了一遍，套上自己项目的结构：lint、死代码和重复代码检测、import 边界、迁移检查、高覆盖率要求、每次 commit 部署到 VPS 的流水线。然后交给 Andreas 和 Forge。Andreas 不看代码，也看不懂。

前五周，Andreas 开了 85 个 PR，每个大约一千行。Martin 九月份批准了他 48 个 PR 里的 45 个。他承认很多细节是靠 Claude 的 /code-review，把结果贴在自己名下再开修复 PR。Simon Willison 管这叫 meat proxy review，人肉代理 review。真正有用的做法，是跨 PR 找模式，再把模式变成 guardrail。

Forge 的改动就是从这里长出来的。三个步骤：

/forge-setup-project   # 每个仓库一次：生成 AGENTS.md 和 agent 工作用的文档
/forge-ship 42         # 实现 Issue #42，跑一遍，在新上下文里 review，开 PR
/forge-ship --guard 42 # 继续推进：CI、review 反馈，最后给风险判定

ship 把 issue 实现出来，再实际跑一遍应用，把看到的东西写进 PR 的 Exercised 段。review 的人是另一个上下文，不是写代码的那个 session。guard 无人值守地把 PR 推到可 review 状态，但它永远不合并，因为一个会修自己 PR 的循环不该同时拥有批准权。land 是最新的，它在 head commit 上判断风险：机械检查先过一遍，大小、迁移、CI 改动、安全敏感路径、被弱化的测试。这些都没命中，verdict 才可能是低风险，条件是 reviewer 能说出检查会漏掉什么。否则 PR 拿到一个 where to look 列表，每项是一个文件加一个问题。

他在 Colorburst、Tandler 和 Andreas 的项目上开了几天自动合并，太早，还看不出 land 判得准不准。Andreas 前六个 PR 里，两个判低风险。需要人看的四个里，有一个问的是代码有没有正确读懂建筑规范的一条条款，只有 Andreas 能答。

让他最终下决心改 Forge 的，是看见别人在几周内走到了同一个地方。Anthropic 的 Claude Code 团队优化的是不增加回滚和事故前提下最少的人工 review 时间，低风险变更检查全绿就不需要人批，理由是变更定层级，不是作者定。Imprint 的 Will Larson 团队做了 small-change，CI 决定一个 PR 够不够格，review skill 只能批准或忽略，放过一个错误就算系统失败。Gergely Orosz 把很多地方剩下的 review 叫 zombie code reviews。Amp 团队干脆不要 PR。风险画像差得很远，方向一样：把人从默认路径上拿下来，把注意力花在风险上。

有个反例值得记住。换掉图像模型之后，Colorburst 的新模板连续五周没有 title 和 tags，CI 一直绿，因为测试把模型响应写死了。读那些 PR 也抓不到，修法是加另一条 guardrail：对着真实模型跑 live contract test。结构让信任成为可能，但结构本身也会骗人。

局限也写得很清楚。这些都是单人项目，没有团队，没有合规。Gergely 发现其他全自动 review 的案例也都是 side project、单人公司、很早期的创业公司。工作里有合规，还有知识共享：如果没人读发出去的东西，就没人理解发出去的东西。

Martin 的说法是，人还在环里，还在控制。只是花更少时间读 diff，更多时间在两头：把 issue 塑形，和 agent sparring，问蠢问题，戳破双方的假设，直到该覆盖的都覆盖了。另一头是把系统养好，哪里漂了，哪里本可以避免，就把护栏加在哪里。

二月份他写过，规划是人加值最多的一步。现在看没变。没有人在中间，人在两端。