会飞的荧
@feitu
阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，项目 OpenCodeReview，已经 40.5K 星：github.com/alibaba/open-c…
它的核心设计一句话：确定性工程 pipeline 管硬约束，Agent 管动态决策，各司其职。
确定性这一侧做四件事。精确文件选择用代码决定哪些文件必须审、哪些过滤，不依赖模型自觉；智能文件捆绑把相关文件合成一个审查单元（中英文 properties 就该一起看），每个单元以独立 sub-agent 上下文隔离运行，分治策略让超大变更集也稳，天然支持并发，默认八个文件 worker；细粒度规则匹配内置约 54 个按语言和文件类型的规则文档，Java、Go、TS/JS、Python、Rust、SQL/XML、properties 都覆盖，用模板引擎而不是自然语言把规则匹配到文件特征上，从源头消掉信息噪声；外部定位与反思两个独立模块系统性校正评论的落点和内容，正对着"位置漂移"这个痛点。
Agent 这一侧只管动态决策。任务模板分层：plan、grouping、main、memory_compression、re_location、review_filter 六段，仓库里能看到源文件；工具集是从海量生产环境的 tool-call 轨迹反向蒸馏出来的——调用频率分布、单工具重复率、新工具对调用链的影响，据此留下的全文件读取、代码搜索、查阅其他变更文件这几个工具，比通用 agent 工具箱更小也更稳。
能力面覆盖 workspace、分支区间、单 commit 三种审查，断点恢复的 ocr session，没有 git 历史也能全文件扫描陌生代码库，本地 Session Viewer 网页查看与回放，SARIF 和 JSON 输出，OpenTelemetry 可观测，外加 MCP Server 扩展。
生态形态相当完整：npm 全局 CLI 一份；可移植的 Agent Skill 一份，skills/open-code-review/SKILL.md 带标准 frontmatter，任何兼容 skill 的 agent 直接加载；再配 Claude Code、Codex、Cursor、Kimi Code、OpenCode 各平台插件，每种封装成斜杠命令或可调用 skill；LLM 协议兼容 OpenAI、Anthropic、AWS Bedrock 三类，还能直接复用 Claude Code 的 ANTHROPIC_* 环境变量。
最巧的设计是 Delegation 模式：OCR 只做自己擅长的确定性部分（文件选择和规则解析），审查本身交给宿主 coding agent 的 LLM 执行，用户不用给 OCR 配任何 API key。这一步等于把 harness 能力和模型能力彻底解耦——两边各自独立计价、独立更换。
工程质量也超出平均线。安全有正式的 Assurance Case 文档，完整威胁模型、四条信任边界、T1 到 T7 威胁逐条给缓解措施，还按 Saltzer & Schroeder 原则和 OWASP Top 10 做了映射；细节经得起推敲，所有外部进程调用只限 git 且子命令硬编码防 flag 注入，路径在符号链接解析前后双重校验，本地 Viewer 有 Host 白名单防 DNS rebinding 加严格 CSP。
贡献规范近乎严苛：用 AI 必须在 issue 和 PR 里披露工具与模型，必须逐行理解 AI 生成的代码，禁止"AI 生成到反复修复再修复"的循环，禁止把 commit 署名给 AI；源码强制英文，CI 连全角标点都查，90% 测试覆盖率门槛，-race 和 govulncheck 每次 push 都跑。
这份规范值得单独说：它把"别被 AI 用"从口头建议写成了入库门槛——披露、逐行理解、禁署名，三条恰好卡在最容易偷懒的三个环节上。今晚讲过人审对照的课、讲过新鲜上下文评审，这份 AGENTS.md 是把两样东西都变成了 CI 能拦的硬规则。
想上手的人先看两处：一是 Delegation 模式，不配 key 就能让自家 agent 用上它的确定性内核；二是那 54 个规则文档，按你的语言挑几份读完，就知道团队的 CR 标准该怎么写。Benchmark 数据在帖尾，引用具体分数前建议回原帖核一遍。
