AI Code Review：先找高风险，再谈代码风格

## 适用场景

适合提交前自检和团队评审辅助。AI 应重点检查正确性、安全、数据一致性和可维护性，不能替代测试。

## 三步工作法

### 步骤 1：提供变更上下文

说明需求、架构约束、数据模型、影响范围和测试结果。

### 步骤 2：按风险分层检查

先看权限、边界、并发和数据损坏，再看性能、可读性和风格。

### 步骤 3：逐条验证建议

要求指出具体代码位置、失败场景和验证方法，不直接接受大规模重写。

## 可直接复制的 Prompt

> 审查以下代码变更。按 P0 数据/安全、P1 正确性、P2 性能维护性分级；每条问题给出位置、触发条件、影响、最小修复和测试方法。不要评论与本次变更无关的风格。

## 进阶技巧

- 敏感代码不要上传未批准平台

- 让 AI 先总结变更理解

- 每条建议都通过测试验证

## 交付前检查

- 是否覆盖异常路径

- 是否可能破坏兼容性

- 修复是否引入新依赖

## 预期效果

把评审精力集中在真正影响用户和数据的风险上，提高人工审查的覆盖率。

## 使用边界

AI 负责整理、扩展和检查，人仍然负责事实准确性、业务判断、隐私保护与最终发布。涉及个人信息、商业机密、财务、法律或安全内容时，只能使用组织批准的工具和脱敏材料。