AI-assisted review：AI 扩大检索面，人决定优先级
Page card
- Part：Part 2 / Review 进阶
- 适用角色：开发、QA、产品、设计
- 使用场景：PR review、设计评审、测试覆盖检查、风险扫描
- 输出物：有证据、有 severity、有人工判断的 review findings
Related jumps
Back to AI Workflow Sharing。相邻主题：Evidence-first · Minimum viable change · Agentic execution · Knowledge capture
Summary
重点：AI 是 reviewer 的搜索助手，不是最终 reviewer。
AI 可以帮助发现风险和遗漏，但 severity、是否阻塞、如何表达，需要人基于产品语义和团队上下文判断。
适用场景
- PR review
- 设计评审
- 测试覆盖检查
- 风险扫描
- 大 diff 快速理解
工作方式
- 让 AI 先找 bug、regression risk、missing tests，而不是先挑 style。
- 人工筛选 severity：
blocker、risk、nit分开。 - Review wording 保持协作式，不把 AI 的强硬语气原样发出去。
- 对 AI 提出的每个 finding，都回到代码或产品语义验证。
- 对 rejected finding 记录原因，避免后续重复讨论。
Review 输出模板
Finding:
Severity:
Evidence:
User impact:
Suggested fix:
Blocking or non-blocking:
可分享案例
- 某次 export timeout review：保留
Promise.allSettled/best-effort等核心措辞，同时调整语气。 - editor AI reviewer 的 findings：逐条验证，接受真实问题，记录 rejected finding。
- i18n/copy nit 不应盖过稳定性风险。
可复用规则
AI finding 必须能指向具体代码、行为或测试缺口。 不能只停留在“看起来可能有问题”。
- Review 输出先按风险排序，不按文件顺序。
- 语气保持合作，重点是降低风险，不是证明对方错。
i18n/ copy / style nit 不应抢过稳定性、数据正确性或功能风险。
References
- The Art (and Science) of Reviewable PRs — 适合讲 reviewer 需要什么：小范围、清晰描述、可回滚、可验证。
- 8 pull request best practices for optimal engineering — 强调 PR review 不只是代码质量，还要考虑变更影响和团队流程。
- Workflow setup to make your coding agent ship small reviewable PRs incrementally — 讨论如何约束 coding agent 产出增量、可 review 的变更，适合作为 AI-assisted review 的实践参考。
- Automating Pull Request Reviews with AI in your CI/CD Pipeline — 可作为 AI review 自动化的参考，但分享时应强调：AI 可以辅助扫描，最终 severity 和是否阻塞仍由人判断。