AI 代码审查

MergeJudge：基于 AI 的 GitHub 拉取请求自动审查与分流工具

gauravsharmaGG/mergejudge-runner · MergeJudge AI Code Review: open-source GitHub Action and runner for AI pull request review that learns your repo's rules. Bring your own AI key.

MergeJudge 是开源的 GitHub Action 与 runner，用于对拉取请求进行 AI 审查并按 auto、review、block 三个等级分流。它先使用确定性规则确定最低等级，默认只允许 AI 使等级更严格；它会读取仓库基分支上的 AGENTS.md、REVIEW_POLICY.md 和 .mergejudge.yml，因此拉取请求无法放宽自己的审查标准。用户需自备 Anthropic、OpenAI、z.ai 或任意 OpenAI 兼容端点的 API key，也可选择仅使用规则而不调用 AI。项目支持 deep 模式来补充变更代码的调用方与相关文件、根据 PR 上的反馈学习规则，并通过定时任务生成供人工审核合并的规则提案 PR。

River Review：将团队评审标准代码化为可复用技能的 AI 代码评审框架

s977043/river-review · レビューを、組織の判断資産へ。Review Judgment as Code for AI-assisted development — codify your team's review standards as repo-owned skills and run them across the SDLC.

River Review 是一个开源框架，把团队的评审判断标准写成版本化、仓库自有的 skill，可在 plan / diff / tests / JUnit / 既有评审结果等 SDLC 产物之间执行。它面向 Claude Code / Codex / Cursor 等 AI 辅助开发环境，作为团队自有的审计层检查实现代码是否符合团队规则，并提供 Skill Registry、评审用 agent 与并行观点评审角色（bug-hunter、security-scanner、test-gap 等）。项目不替代人类评审，而是输出 findings 与 verdict，GO/NO-GO 与自动合并仍由人或调用方决定。

Code Review Bench：开源 AI 代码审查工具评测基准

withmartian/code-review-benchmark

该项目提供评估 AI 代码审查工具的开源基准，包含数据集、LLM 评委和完整流水线。离线基准使用来自 Sentry、Grafana、Cal.com、Discourse、Keycloak 五个开源项目的 50 个 PR 与人工核验的 173 条 golden comments；在线基准持续从 GitHub 采样近期真实 PR，通过 LLM 三步分析提取机器人建议与开发者实际修复并做匹配，输出精确率与召回率。支持按类别评分配置（Strict/Core/All）与 F-beta 权重，并附交互式仪表盘，可复现结果或评测自有工具。

Copilot 在 GitHub 自家 AI 代码审查基准测试中登顶，但独立测试结果却另有说法

GitHub 和微软一起做了一个叫 ReviewBench 的测试，用来比一比各家 AI 代码审查工具谁更会挑毛病。测试方法是从 GitHub 上真实代码改动的记录里提炼出“应该被发现的”问题，再看各家工具能找出多少。结果 GitHub 自家的 Copilot 排第一，但因为测试是 GitHub 自己做的，而且不同工具测试时间差了好几个月，所以这个成绩要打个折扣。在另一家独立机构 Martian 做的测试里，Copilot 只排第四或第五，冠军分别是 Cubic 和 Qodo Deep。这说明同一款产品在不同测试里名次差别很大，结论不能只看一家。

ReviewBench：面向 AI 代码审查的开放基准

GitHub 推出了 ReviewBench，一个用来评估 AI 代码审查工具的公开基准。此前，各家 AI 审查工具好坏难分：有的发现问题多但噪音大，有的漏报多，团队缺少统一标准来判断谁更适合自己。ReviewBench 参考了 GitHub 上超过 1 亿个真实 PR 的语言和规模分布，挑选了 19 种语言的 219 个公开 PR，用人工审查、前沿大模型和静态分析共同构建“标准答案”，并按严重程度和类别打分，衡量准确率和召回率。它还经过资深工程师独立校验，与线上实验方向基本一致，因此开发团队可以用它离线预判改动是否真的能改善用户体验。该基准目前已可直接使用，且开放提交结果。