Agent Skills
返回列表
代码审查增强

代码审查增强

开发编程 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_15292d5a/yjkj-code-review-plus。

技能介绍

审查为什么容易漏掉关键风险

代码审查的质量往往取决于检查者的经验和当时的注意力。同一份 PR,有人只扫一眼逻辑,有人盯着边界条件不放,而安全漏洞、并发问题和资源泄漏又常常混在正常改动里,稍不留神就会放过去。团队之间没有统一标准时,A 认为必须修的问题,B 觉得可以接受,审查意见反复拉锯。等到问题流入生产环境,再补一个 hotfix,代价已经翻了几倍。

code-review-plus 就是给这种场景准备的。它把一次完整审查拆成可复用的维度和清单,让 reviewer 不需要每次都凭记忆回忆“还差什么没看”。

它会检查哪些维度

这个技能的覆盖面比一般 review 更宽,核心维度包括:

  • Security:SQL 注入、XSS、CSRF、认证授权、密钥泄漏、依赖漏洞
  • Performance:N+1 查询、不必要的重渲染、内存泄漏、包体积、分页和缓存策略
  • Correctness:边界值、空值访问、off-by-one、竞态条件、时区处理、Unicode、整数溢出
  • Maintainability:命名意图、单一职责、DRY、圈复杂度、死代码、函数长度、依赖方向
  • Testing:覆盖率、边界测试、无 flaky test、测试独立性、有意义的断言
  • AI/ML:训练数据泄漏、提示注入、模型输出过滤、偏差检测、Token 与成本控制、降级策略
  • Language Specific:Python、JavaScript/TypeScript、Go 各自惯用法和最佳实践

每个维度下面都有一份可勾选的清单。比如安全部分会逐条确认:查询是否使用参数化、用户输入是否转义、状态变更接口是否校验 CSRF token、源码里是否出现硬编码凭证。AI/ML 部分则会检查训练数据是否会在预测中泄漏,用户输入是否会被直接拼接进 prompt,以及是否设置了 Token 上限和调用频率限制。

分三轮走完一次审查

技能内置了一个三遍审查流程,避免一次看完所有细节后注意力衰减:

  1. 第一轮 先看整体结构,花 2–5 分钟判断架构、文件组织和 API 设计是否合理。
  2. 第二轮 逐行检查逻辑、安全、性能和边界条件,这是清单真正发挥作用的地方。
  3. 第三轮 专门做边界测试和加固,关注失败模式、并发场景和极端输入。

用严重程度让反馈有轻重

每条意见都会带上 [CRITICAL]、[MAJOR]、[MINOR] 或 [NIT] 标签,并明确是否需要阻止合并。安全漏洞、数据丢失或崩溃属于 Critical,逻辑错误和性能回退属于 Major;风格偏好和命名建议不会拦住合并。这样 PR 作者能先修真正影响稳定性的问题,而不是被一堆 nit 淹没。

适用于什么场景,又不该做什么

它适合作为项目里的审查辅助工具,用清单补齐容易忽略的维度,并让团队对“什么必须修”达成一致。安全清单尤其适合在涉及用户输入、外部依赖和敏感数据的模块里使用。AI 相关服务接入时,AI/ML 清单也能帮你快速过一遍模型调用链路。

但清单不是万能的。它不会替你理解整个业务上下文,也不会自动判断一个架构选型是否合理。超过 400 行的 PR 一次性读完容易疲劳,技能本身也明确提醒不要一次审查过多内容。如果碰到高度主观的设计问题,清单只能提供思考框架,最终取舍仍然要靠 reviewer 和作者一起讨论。

使用场景

  • 提交 PR 后等待合并,想用安全清单逐项确认查询是否参数化、输入是否转义,避免漏洞进入主分支。
  • 审查 AI 服务改动,需要确认训练数据是否泄漏到预测结果,用户输入拼入 prompt 前是否做了消毒。
  • 收到一个 300 行的 PR,想在第二轮逐行核对 N+1 查询、内存泄漏和边界值,不漏掉关键风险。
  • 作为 reviewer,想在评论里用 [CRITICAL] 和 [MAJOR] 标签区分必须修和可选建议,减少风格争论。

适合人员

  • 后端工程师:日常提交或审查接口代码,关注 SQL 注入、认证授权和并发安全问题。
  • AI 应用开发者:编写模型调用链路,需要排查训练数据泄漏、prompt 注入和 Token 成本控制。
  • 团队 Tech Lead:负责制定审查标准,想用统一清单和严重程度标签规范团队的 PR 流程。
  • 开源维护者:收到外部贡献者的 PR,需要快速判断安全风险和边界条件是否覆盖到位。