专题演讲嘉宾：李峥峰

随着 AI Coding 快速普及，代码生成正逐渐从研发瓶颈变成基础能力，而代码质量、安全性与工程可控性则成为新的核心挑战。越来越多团队开始尝试利用 Agent 自动完成代码评审，但在真实的大规模研发环境中，通用 Agent 往往会面临覆盖不足、定位漂移、质量波动、Token 成本过高等问题，仅依赖 Prompt 和大模型能力难以满足生产级要求。

本次分享将结合阿里 Open Code Review 的建设实践，介绍如何通过确定性工程 + Agent 协同，将通用 Agent 收敛为适用于代码评审场景的垂直领域 Agent。分享将围绕分治并发、精准定位、规则模板引擎、工具链蒸馏、上下文分层管理等关键工程实践，探讨如何将工程逻辑与模型能力结合，让确定性的工作交给工程系统，让需要语义理解的任务交给大模型，实现更高的稳定性、更低的成本和更好的评审质量。

同时，分享还将结合百万真实任务、阿里内部 2 万余名开发者的使用数据以及 Open Code Review 开源项目实践，介绍 AI Review 在生产环境中的效果验证，并进一步探讨 AI 深度参与研发后，如何建立新的评估体系，推动 AI Code Review 从"辅助工具"走向研发流程中的质量基础设施。

演讲提纲

1. AI Coding 普及后，代码评审成为新的效率瓶颈

• AI Coding 改变了代码生产方式
• 为什么交付质量成为新的核心问题
• AI Code Review 在研发流程中的价值

2. 为什么通用 Agent 难以支撑生产级 Code Review

• Demo 与生产环境的差异
• 覆盖率、定位准确率与稳定性挑战
• Token 成本与上下文膨胀问题
• 根因分析：Prompt 驱动为什么不足以解决工程问题

3. 确定性工程 + Agent 协同：五大工程实践

• 分治并发 —— 提升覆盖率
  • 文件选择与智能分组策略
  • 从串行 Review 到并行 Agent 协同
• 精准定位 —— 保证评审可落地
  • 三层定位机制（文件→代码段→行号）
  • 幻觉拦截：确保评论可对应到真实代码
• 规则模板引擎 —— 提升稳定性与一致性
  • 从 Prompt 驱动到规则驱动
  • 按文件类型/语言动态注入评审上下文
• 工具链蒸馏 —— 提升 Agent 可预测性和安全性
  • 从真实任务中收敛高频工具调用模式
  • 减少探索性调用，降低不确定性
• 上下文分层管理 —— 降低 Token 消耗
  • 冻结区：不变的全局背景
  • 压缩区：可摘要的历史上下文
  • 活跃区：当前推理所需的最小上下文

4. 百万真实任务验证

• 阿里内部生产数据
  • 2W+ 开发者使用行为分析
  • AI Review 使用趋势与渗透率变化
• Benchmark 量化对比
  • 准确率与召回率
  • Token 消耗与成本效率
• Open Code Review 开源实践
  • AI 写 → AI 审 → AI 改：完整研发闭环
  • 社区场景下的效果复现

5. AI 时代如何重新定义研发度量体系

• 为什么采纳率与 AI 评论占比开始失效？
• 如何建立新的 AI Review 评估体系？

6. 总结与展望

• 从通用 Agent 到垂直 Agent 的工程范式
• AI Review 与 AI Coding 的协同演进
• AI 驱动研发质量体系的发展方向

实践痛点

1. 规则模板引擎的维护成本与泛化瓶颈

• 模板引擎提升了精度和稳定性，但代价是每新增一种文件类型、框架或业务场景都需要人工编写规则模板。通用 Agent 天然具备零样本泛化能力，而模板引擎在遇到从未见过的模式时是沉默的。规则库本身也会腐化 —— 代码规范在演进，模板如果不跟着更新就会产生过时建议

2. 度量体系本身的维护成本与时效性

• AACR-Bench 的 Ground Truth 是人工标注的某个时间切片。代码模式在变、框架在更新、AI 生成代码的缺陷分布也在漂移，Benchmark 如果不持续投入更新就会与生产现实脱节。而每次更新的标注成本极高，这不是一个能高频迭代的闭环

演讲亮点

• 完整呈现从通用 Agent 到垂直领域 Agent 的收敛路径 —— 不是理论推导，而是经过百万真实任务验证的工程实践，包含分治并发、精准定位、工具链蒸馏、上下文分层等可复用的设计模式
• 深入探讨当采纳率等传统指标在 AI 深度参与时代失效后，如何构建科学的度量体系来驱动系统持续迭代 —— 这是当前业界普遍面临但少有系统性解法的问题

听众收益

• 理解 AI Code Review 在真实生产环境中的核心挑战，以及为什么通用 Agent 难以直接满足大规模研发需求
• 掌握确定性工程、上下文管理、工具链蒸馏、规则模板等关键工程实践，学习如何构建稳定、可控、可扩展的垂直 Agent 系统
• 了解百万真实任务验证下的 AI Review 落地效果，以及 AI Coding 与 AI Review 协同构建研发闭环的工程经验
• 理解 AI 深度参与研发后的质量评估新范式，学习如何构建更加科学的研发度量体系，为 AI 驱动的软件工程实践提供参考