核心 GUIDE
AI Code Review
Review AI-generated Code 的核心，是用 Repository Evidence 独立检查 Behavior、Scope、Security 与 Maintainability，而不是接受看起来合理的 Diff 或 Agent 自己的解释。
核心心智模型
AI Code Review 是 Evidence-backed 的 Merge Decision。Generation 与 Review 必须能够分离：Authoring Model 可以解释 Intent，但 Acceptance 应来自 Test、Diff、Contract、Static Check 与 Human Judgment。
为什么重要
AI 能在 Reviewer 建立 Context 之前就快速生成大规模 Change，开发瓶颈因此从“写代码”转向“验证代码”。如果缺少系统化 Review Model，团队要么 Rubber-stamp 看似合理的修改，要么逐行过度审查。Risk-based Review 会把注意力集中到 Changed Behavior、Boundary 与 Evidence。
01
从 Contract 向外做 Review
先从 Task Spec 与 Acceptance Criteria 出发，检查 Diff 是否扩大 Scope，再运行 Targeted Test 与相关 Regression Suite。沿 API、Data、Auth 与 Side-effect Boundary 追踪变化。把 Style Feedback 与 Correctness Blocker 分开；遇到 Migration、Security-sensitive Path 或难以自动测试的 Behavior 时，要求额外 Evidence。
02
示例：看起来干净的 Refactor 悄悄扩大 Permission
Agent 简化了 Service Layer，所有 Unit Test 都通过，但新的 Helper 使用了比之前更宽的 Credential。只做 Style Review 很容易漏掉这个 Consequence。Boundary-aware Review 会沿 Permission Flow 追踪，发现 Capability 被扩大，并在恢复 Least-privilege Contract 前阻止 Merge。
常见失败模式
- Review Agent 的 Explanation，而不是实际 Diff 与 Runtime Evidence。
- 把 Targeted Test 通过当成不存在其他 Regression 的证明。
- 对 Formatting 与高后果 Boundary Change 投入同等 Review Effort。
工程启发
- 先 Review Changed Behavior 与 Boundary，再看 Style。
- 要求独立于 Generating Model 的 Evidence。
- 遇到 Migration、Permission、Money 与 Irreversible Side Effect 时提高 Review Depth。
关键结论
- 01AI 改变的是 Generation Speed，不会消除 Independent Review 的需要。
- 02Merge Decision 应锚定在 Repository Evidence 上。
- 03Risk-based Review 比平均逐行阅读所有生成代码更有效。
阅读记录
这里只记录你真实做过的动作，不代表掌握、熟练或认证。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。