方法与教程/2026-09-28/3 分钟AI 写的代码，你敢直接合并吗？代码评审从看 diff 到看证据改动不大不等于影响不大：一处公共方法、一个新参数、一条只在超时重试时才走到的分支，都不在 diff 里。本文讲为什么只看 git diff 撑不起 AI 代码的评审，以及证据化评审先收什么证据、怎么下结论，附 2 分钟视频。
研究与基准测试/2026-09-28/14 分钟有人评，才合得进去：智能体拉取请求怎么过代码评审MSR 2026 用 AIDev 看 33,596 条智能体拉取请求。总体合并 71.5%，但 Codex 82.6%，Copilot 只有 43.0%。至少有一次评审与合并相关最强；变更更大和强制推送则更难合并。多改几版或补测试，在控制协作信号后没有显著作用。
研究与基准测试/2026-09-28/36 分钟写得更快，发不出去：智能体交付里的验证税2026 年 9 月这篇综合没有新实验。4,867 人的随机试验里完成任务增加 26.08%，但 10 万多名 GitHub 开发者的遥测里，自主智能体把提交抬高 180%，发布只剩 30%。作者把评审、测试和返工写成验证税，并警告三个生产率数字不能横比。
研究与基准测试/2026-08-11/8 分钟同一模型 SEM-F1 从 11.57% 到 25.10%：阿里把代码评审的自由探索收成三道门阿里 OpenCodeReview 在 AACR-Bench 的 200 个 PR、1505 条专家评论上，六个底座的 SEM-F1 是 17.90% 到 25.10%。同一 Claude-4.6-Opus 在 Claude Code 上只有 11.57%。召回多数行更低。相对 Claude Code 的 Token 大约少 5 到 15 倍，相对 Codex 只有约 1.24 倍。
研究与基准测试/2026-07-30/6 分钟内部基准没给分数：阿里云 Qoder 只用四维比较专家模式阿里云写了 Qoder Experts Mode 的组长编排和一次内部复杂任务基准：质量更高、成本更低，但没有总分和样本量。代码搜索 F-Score 提高 21%，浏览器省 60% Token，评审榜称 Top 2。
