AI 审查与人工代码审查怎么配合：评论数量不能当质量
区分自动反馈与维护者验收责任，用同一代码差异核对真实缺陷、误报和修改建议，同时记录复核与回归测试工作。
怎样选择更合适
AI 代码审查可以辅助发现问题并解释改动，人工审查仍需判断业务意图和接受风险。应让两者检查同一份差异，并要求每条问题有可定位证据。评论多不代表找到了更多真实缺陷，AI 没有评论也不能视为通过。选择重点是可复用的检查范围，并明确最终负责确认修改正确的维护者。
自动审查的反馈也可能包含误报
GitHub 把 Copilot 代码审查定位为人工审查的补充，并明确可能遗漏问题或指出不存在的缺陷。自动建议的代码同样需要验证，不能因为建议附在具体行号上就直接接受。人工审查更容易结合未写入代码的产品约束，但也会遗漏细节，因此可以让自动工具先提供候选问题。比较时把语言风格意见与影响行为的缺陷分开，要求说明触发输入和实际后果，避免把可争论的写法偏好统计成严重错误。
对同一份差异验证问题是否能复现
选一份固定提交差异，向两种审查提供相同需求与相关代码。先独立记录发现，再由维护者逐条核对，能复现的缺陷保留最小输入或失败测试。对建议修复，检查它是否改变其他调用者的预期，不能只确认原行不再报错。没有复现条件的问题可以保留为待查，不应强行计入发现率。还要记录误报耗费的核对时间，以及真正问题是否被大量无关评论掩盖，才能判断自动审查是否帮助了当前团队。
按实际修改验证责任和长期成本
维护仓库审查说明时，应写清关键业务不变量和必要验证命令，而非要求工具无条件给出更多意见。升级模型或提示后，重放已知真实缺陷与无缺陷样本，观察漏报和误报是否变化。费用之外还要计算维护者解释上下文和复核建议的工作。发布前由项目既有测试及审查规则验收，保留最终批准者和证据。本文核对官方使用边界，没有对任何模型进行缺陷检出率测试，也没有把自动反馈视为可替代人工责任。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。