做大型代码审查的团队可以借鉴这种多模型协作+人工确认的流程，能有效发现隐藏问题，建议尝试类似方案提升 Code Review 效率。
一位开发者分享了针对几千行大 PR 的 Code Review 最佳实践，使用 Codex GPT5.5、Composer 2.5 和 Deepseek V4 Pro 等多个模型共同审查，每个模型生成按优先级排序的 Bug 报告。然后让大模型汇总共性高优先级问题，人工确认后由 Claude 作为 fix agent 修复，再由 GPT5.5 作为 review agent 验证修复并留下批改意见，循环直至确认。最后全量跑 E2E 测试确保无回归。该方法发现了不少真实问题，未来将做成 skill 分享。
最近 Code Review 的最佳实践，用来测试的是 TinyShip 返利的一个大 PR，修改大约几千行。 * 让多个模型共同审查，我选用的是 Codex GPT5.5，Composer 2.5...
最近 Code Review 的最佳实践，用来测试的是 TinyShip 返利的一个大 PR，修改大约几千行。 * 让多个模型共同审查，我选用的是 Codex GPT5.5，Composer 2.5 以及 Deepseek V4 Pro，每一个模型生成一个对应的报告，按照 Bug 优先级进行排序（Critical/High/Medium） * 让大模型根据各自出的文档出一个汇总文档，汇总共性问题，并且按优先级排序，假如一个P0问题，在多个报告中都出现，那么说明它就是一个必修的高优先级。 * 修复哪个还是我人工确认标准，每个问题前面会有一个 checkbox，LLM 很擅长发现可疑点，但不一定擅长决定值不值得修，所有所有 bug 都要让我review * 确认以后让 fix agent 去修复，我选用的是 Claude，更新文档，跑对应的测试，然后让 review agent（选的是GPT5.5） 去 review 它的修复，看是否修复，并且留下批改意见。以此循环，让两个 agent 确认已经修复。文档更新已解决。 * 全量跑 E2E 测试，保证没有 regression。 试了一下感觉很不错，发现了不少真实的问题，之后会做成 skill，感兴趣的朋友可以试试看这种大改动的 code review 方式。 💬 0 🔄 0 ❤️ 2 👀 193 📊 1 ⚡
- Cohere05-29 18:21原文