AI代码审查修改指南：15条PR检查清单

AI 辅助编码进入团队三个月后，不少技术负责人（Tech Lead）都会遇到一个反直觉的现象：代码产出速度确实提升了，但代码审查（Review）的负担却没有丝毫减轻。以前，一个 PR 的核心风险主要看“人有没有想清楚”；现在则多了一种新风险——代码看起来完整、命名规范、测试也能通过，但它可能只是在错误的上下文里，拼凑出一套看似合理的实现。

传统的代码审查依赖经验直觉：扫描 diff、检查关键分支、确认命名和边界。但 AI 生成代码的危险点，恰恰在于“表面质量很高”。它会补齐样板代码，会模仿项目风格，还会给出自信满满的注释——可它不一定理解业务不变量、历史兼容约束、线上数据形态和团队约定。因此，审查不能只盯着“代码写得好不好”，更得问一句：“这段代码是否在正确的问题上、以正确的约束运行？”

下面这份清单，不是为了要求审查者做无差别的全面检查，而是把注意力集中到 AI 最容易出错的区域。建议团队直接将其纳入 PR 模板：作者先自查，审查者再按风险挑重点看。

1. 需求边界是否被 AI 擅自扩大

重点检查：这个 PR 是否只解决 issue 中定义的问题？有没有顺手重构、顺手改默认行为、顺手支持“看起来合理”的新场景？

AI 为什么容易犯这个错：LLM 天生倾向于补全“完整方案”，而不是严格执行最小变更。它会主动添加参数、分支和兼容逻辑，使 diff 看起来特别周全，但实际上扩大了发布风险。

❌ 坏例子：修复分页默认值，却顺手改了排序字段。

// 原需求：pageSize 为空时默认 20const pageSize = query.pageSize ?? 20;const orderBy = query.orderBy ?? "created_at"; // AI 顺手新增，改变旧接口默认排序

✅ 好例子：只处理明确需求，新增行为单独开 PR。

const pageSize = query.pageSize ?? 20;// 排序规则保持原逻辑，不在本 PR 修改

2. 业务不变量是否被显式表达

重点检查：账户余额不能为负、订单状态只能单向流转、权限不能越级——这些规则在代码或测试中明确体现了吗？

AI 为什么容易犯这个错：AI 能推断常见业务流程，但不知道你们系统里的“不允许”。它特别容易写出“技术上可运行、业务上非法”的路径。

❌ 坏例子：只判断状态存在。

if (order.getStatus() != null) {order.setStatus(request.getStatus());}

✅ 好例子：编码状态流转约束。

if (!OrderStatus.canTransit(order.getStatus(), request.getStatus())) {throw new BizException("非法订单状态流转");}order.setStatus(request.getStatus());

3. 是否复用了项目现有抽象，而不是新造一套

重点检查：日志、鉴权、异常、事务、RPC 客户端、配置读取等横切能力，是否沿用项目已有的封装？

AI 为什么容易犯这个错：模型从通用语料中学习到大量“标准写法”，但不知道当前仓库中已经有现成的工具类。它会重复造轮子，造成长期维护的分叉。

❌ 坏例子：绕过统一异常体系。

if err != nil {return nil, fmt.Errorf("call user service failed: %v", err)}

✅ 好例子：使用团队统一错误码和包装方式。

if err != nil {return nil, errors.WrapCode(errcode.UserServiceUna vailable, err)}

4. 错误处理是否只是“吞掉异常”

重点检查：catch 之后是否有告警、降级、错误码映射、重试边界？不能只记录日志后就继续往下走。

AI 为什么容易犯这个错：AI 很喜欢生成 try/catch，让代码看起来“健壮”，但它经常不知道异常对业务流程意味着什么，结果就是把失败变成静默的脏数据。

❌ 坏例子：记录日志后返回空结果。

try:profile = client.get_profile(user_id)except Exception as e:logger.warning("get profile failed", exc_info=e)return {}

✅ 好例子：区分可降级和不可降级失败。

try:profile = client.get_profile(user_id)except TimeoutError as e:metrics.incr("profile.timeout")return Profile.anonymous(user_id)except AuthError as e:raise PermissionDenied("profile access denied") from e

5. 空值和默认值是否改变了语义

重点检查：null、空字符串、空数组、0、false 有没有被混用？默认值和旧逻辑是否一致？

AI 为什么容易犯这个错：模型倾向于使用 ??、||、Optional.orElse 这类简洁写法，但业务中“未传”和“传空”经常代表不同含义。

❌ 坏例子：把 0 当作未传。

const retryTimes = input.retryTimes || 3;

✅ 好例子：只对 null/undefined 使用默认值。

const retryTimes = input.retryTimes ?? 3;

6. 权限检查是否放在真实执行路径上

重点检查：新增接口、批量操作、导出、异步任务，是否都经过了鉴权？不能只在 Controller 层做一次象征性校验。

AI 为什么容易犯这个错：AI 常按“入口校验”模板写代码，但会忽略内部复用方法可能被其他路径调用。

❌ 坏例子：只有 HTTP 入口检查权限。

@PostMapping("/users/export")public File export() {auth.check("user:export");return userExportService.exportAll();}

✅ 好例子：核心服务层也带权限上下文。

public File exportAll(UserContext ctx) {permission.require(ctx, "user:export");return doExport();}

7. 数据库查询是否引入隐藏的 N+1

重点检查：循环里是否有查库、调 RPC？ORM 懒加载字段有没有被触发？批量接口真的批量执行了吗？

AI 为什么容易犯这个错：AI 更容易根据“单条数据”的样例补全代码，不会主动推断线上列表页可能包含几百条记录。

❌ 坏例子：循环查用户。

orders.map { order ->val user = userRepo.findById(order.userId)OrderVO(order, user.name)}

✅ 好例子：先批量加载再组装。

val users = userRepo.findByIds(orders.map { it.userId }).associateBy { it.id }orders.map { order -> OrderVO(order, users[order.userId]?.name) }

8. 并发和幂等是否只覆盖了“单线程快乐路径”

重点检查：重复提交、消息重放、定时任务并发、回调多次到达时，是否安全？

AI 为什么容易犯这个错：模型生成的流程通常是线性的：先查、再改、再保存。它不会天然考虑两个请求同时进来。

❌ 坏例子：先查后插，没有唯一约束兜底。

SELECT id FROM coupon_usage WHERE user_id = ? AND coupon_id = ?;-- not exists then insert

✅ 好例子：数据库唯一键 + 冲突处理。

CREATE UNIQUE INDEX uk_coupon_user ON coupon_usage(coupon_id, user_id);INSERT INTO coupon_usage(coupon_id, user_id) VALUES (?, ?)ON CONFLICT DO NOTHING;

9. 时间、时区和单位是否明确

重点检查：秒和毫秒、UTC 和本地时区、自然日和 24 小时、过期时间，是否统一了？

AI 为什么容易犯这个错：语料中时间写法太多，AI 很容易混用 Date.now()、Unix 秒和数据库 timestamp。

❌ 坏例子：把毫秒传给要求秒的接口。

cache.expire(key, Date.now() + 3600 * 1000);

✅ 好例子：变量名和 API 都标明单位。

const ttlSeconds = 3600;cache.expire(key, ttlSeconds);

10. 测试是否只验证了 AI 自己写出的实现

重点检查：测试覆盖了旧 bug、边界条件、失败路径吗？还是只测了 happy path？

AI 为什么容易犯这个错：AI 会根据实现反推测试，导致“实现错，测试也跟着错”。这种测试提高覆盖率，但不会提高信心。

❌ 坏例子：只验证正常输入。

test("create user", () => {expect(createUser({ name: "Tom" }).name).toBe("Tom");});

✅ 好例子：测试需求约束和历史 bug。

test("reject duplicated email ignoring case", () => {createUser({ email: "A@EXAMPLE.com" });expect(() => createUser({ email: "a@example.com" })).toThrow("EMAIL_EXISTS");});

11. 日志是否会泄露敏感信息

重点检查：token、手机号、邮箱、身份证、Cookie、请求体，有没有被完整打印？

AI 为什么容易犯这个错：AI 常把“方便调试”放在第一位，生成 JSON.stringify(request) 这类全量日志。

❌ 坏例子：打印完整请求。

logger.info("payment request", { body: req.body });

✅ 好例子：只打印必要字段并脱敏。

logger.info("payment request", {orderId: req.body.orderId,amount: req.body.amount,phone: maskPhone(req.body.phone)});

12. 配置和常量是否硬编码

重点检查：超时时间、重试次数、URL、开关、阈值，是不是写死在代码里了？

AI 为什么容易犯这个错：为了让示例自洽，AI 常直接写一个“合理数字”。但生产系统中这些数字通常需要按环境调整。

❌ 坏例子：代码里写死外部地址。

private static final String API = "https://api.partner.com/v1";

✅ 好例子：走配置并给出默认值说明。

@Value("${partner.api.base-url}")private String partnerApiBaseUrl;

13. 注释是否在解释错误的事实

重点检查：注释、README、接口文档，是不是和代码一致？尤其要小心 AI 生成的“自信解释”。

AI 为什么容易犯这个错：LLM 很擅长生成听起来合理的注释，但注释可能描述的是它想象中的系统，而不是实际系统。

❌ 坏例子：注释承诺了代码没做到的行为。

# retry 3 times with exponential backoffreturn client.call(payload)

✅ 好例子：要么实现，要么删掉虚假注释。

return retry(max_attempts=3, backoff="exponential")(client.call)(payload)

14. 依赖升级和新增包是否必要

重点检查：是不是为了几行工具函数就引入新依赖？版本和项目兼容吗？许可证可接受吗？

AI 为什么容易犯这个错：模型会推荐流行包，但不知道你们的依赖治理、镜像源、漏洞扫描和许可证限制。

❌ 坏例子：为了格式化日期新增大型库。

{"dependencies": {"moment": "^2.30.0"}}

✅ 好例子：优先使用项目已有工具或标准库。

const date = new Intl.DateTimeFormat("zh-CN", { dateStyle: "short" }).format(value);

15. 回滚路径和灰度开关是否清晰

重点检查：变更可关闭、可回滚吗？数据结构变更兼容旧代码吗？发布失败时怎么恢复？

AI 为什么容易犯这个错：AI 关注“如何实现功能”，很少主动考虑发布过程。它会把新逻辑直接接入主路径，让一个小 PR 变成不可逆变更。

❌ 坏例子：新算法直接替换旧算法。

score := newRanker.Score(item)

✅ 好例子：用配置开关控制切换，并保留观测指标。

if config.EnableNewRanker {metrics.Incr("ranker.new.used")score = newRanker.Score(item)} else {score = oldRanker.Score(item)}

可直接复制的 PR 描述模板

## 变更摘要- 本 PR 解决的问题：- 本 PR 不解决的问题：## 是否含 AI 生成代码- [ ] 否，全部手写- [ ] 是，局部使用 AI 辅助- [ ] 是，核心逻辑由 AI 生成后人工修改使用的 AI 工具 / 模型：## AI 生成代码自查- [ ] 我确认 PR 没有扩大需求边界- [ ] 我确认核心业务不变量已在代码或测试中体现- [ ] 我确认没有绕过项目现有鉴权、异常、日志、配置封装- [ ] 我确认错误处理没有吞异常或静默返回错误默认值- [ ] 我确认空值、默认值、时间单位、时区语义清晰- [ ] 我确认没有新增不必要依赖或硬编码环境配置## 传播风险自评这次变更影响范围：- [ ] 单个内部函数- [ ] 单个接口 / 页面- [ ] 多个服务调用链- [ ] 数据库结构 / 消息格式 / 公共 SDK如果出错，可能影响：- 用户范围：- 数据范围：- 是否可快速回滚：是 / 否- 回滚方式：## Reviewer 重点关注点请重点看：1. 2. 3. ## 测试说明- 单元测试：- 集成测试：- 手工验证：- 未覆盖但已知风险：## 发布与观测- 是否需要灰度开关：是 / 否- 关键监控指标：- 预期日志 / 告警：

总结

AI 编程之后，代码审查的核心不再是“帮作者找语法问题”，而是验证代码是否遵守了业务约束、工程约定和发布边界。真正有效的做法，是让作者先用清单把风险暴露出来，再让审查者把精力放在最可能被 AI 忽略的地方。这份清单不要求一次做到完美，但一定要沉淀到 PR 模板和团队共识中。否则，AI 提升的是提交通度，透支的却是审查质量。