阿里开源内部AI审查工具 审一轮token只要九分之一
给 agent 工作流加代码审查,一直卡在两件事上,token 账单和漏文件。今天这个仓库正面回答了这个问题,阿里把内部审了两年的工具开源出来,同样的模型,成本压到九分之一,行号还不漂。
本周 Top5:univer(+7,248)、modern-web-guidance-src(+6,858)、astryx(+4,977)、open-code-review(+4,492,本期主角)、plannotator(+3,468)。
落选备注,ag-ui-protocol/ag-ui(+3,455)做 Agent 与前端交互的协议层,位置太上游,等生态落地再读。上期备注里留过候选的正是本期主角 open-code-review,连续三周上榜,这周转正。
主角 alibaba/open-code-review 当前 54,434 星、4,503 fork,2026 年 5 月 18 日开源,Go 写的,Apache-2.0 协议。README 的出身说明很直接,它是阿里集团内部的官方 AI 审查助手,两年里服务数万开发者、识别过百万级缺陷,验证充分后才孵化出来。README 顶部的数字带给了一组参照,内部 20K+ 活跃用户、5M+ 次真实审查任务、npm 月下载 693K+。

README 数字带,内部活跃用户与审查任务量
它是什么
一个装进终端的代码审查 CLI,命令名就叫 ocr。装好先配模型(ocr config provider,OpenAI 兼容、Anthropic、Gemini、Bedrock、Azure 都在内置清单),然后一句 ocr review,它读 git diff,把改动文件交给一个带工具的 agent 审,产出带行号的评论。改动大用 ocr review --from main 圈分支范围,单个提交用 --commit,接手老项目没有 diff 可看就走 ocr scan 全文件扫描,中断的审查能从 session 记录里续跑。

交互式配置界面,连通性测试一步做完
集成面铺得很宽。Claude Code、Codex、Cursor、Kimi Code、OpenCode 都有插件,另有 MCP server 和 VSCode 扩展,JetBrains 插件排在路线图上。两条审查路线值得分清。Native 模式用 OCR 自己配置的模型跑完整管线。Delegation 模式把文件选择、规则解析、diff 生成这三件确定性工作做完,再把结构化的审查任务交给你手头的 agent(Claude Code 之类)用它自己的订阅执行,OCR 这边不用配任何 key。没有独立 API 额度的话,官方建议从 Delegation 起步。
为什么有意思
README 先给通用 agent 审代码画了三个病灶。大 changeset 下会偷懒挑文件审,覆盖不全。报的问题位置漂移,行号对不上。审查规则用自然语言写,prompt 微调一下质量就大幅波动。三个毛病的根因是同一个,纯语言驱动的流程缺硬约束。
OCR 的解法是把『不能出错的事』从模型手里拿走。挑哪几个文件、滤哪几个由工程逻辑定死。相关文件捆成一个审阅单元(英文和中文的 properties 资源文件捆一组互相印证),每捆跑一个上下文隔离的子 agent,天然并发,超大改动也稳。审查规则用模板引擎按文件特征匹配,不让模型自己捞。另外配了独立的定位模块和反思模块,专门管评论的位置精度和内容复核。模型只管两件事,按场景调优的 prompt,和一套从内部生产数据里蒸馏出来的精简工具集。

AACR-Bench 完整榜单,Claude-4.6-Opus 同款模型双通道对比
效果它拿自家基准 AACR-Bench 说话。50 个开源仓库、200 个真实 PR、10 门语言,80 多位工程师交叉标注出 1,505 个确定的问题。榜单上同一个 Claude-4.6-Opus,走 OCR 是 F1 25.10%、precision 33.90%、平均 1 分 23 秒、38 万 token。同一个模型走 Claude Code 是 F1 11.57%、precision 7.23%、13 分 06 秒、566 万 token。官方口径里 token 成本约为通用 agent 的九分之一,速度快约九倍。榜单前排还有 Qwen3.8-Max(F1 23.00%)和 GLM-5.2(F1 21.30%)。要留意的是 recall 列,20.00% 对 28.90%,这项 Claude Code 反而更高,整个 recall 榜的奖杯全在 Claude Code 通道。README 直说这是刻意取舍,用召回换低噪声。
边界与局限
先把账算清楚。precision 33.90% 意味着每三条报告里约两条是误报。recall 20.00% 意味着一千五百个确定的问题里它只找回三百个。官方把它定位成低噪声筛查,那它就不适合当合并闸门用。
成本侧有真实翻车案例。issue #409 记录了一次大 MR 场景,308 个文件,工具调用 2,612 次,一次失败的审查尝试烧掉 90,433,182 token,跑了 1 小时 12 分超时,零产出。楼主的原话是这个 MR 干掉了平时一个半月的成本。评论区还有 1000+ 文件的重构 MR 烧掉一百多元 DeepSeek 额度没跑完的,以及 token 用了一个多亿的。修复分两步走,run manifest 先落地(失败也输出终态标记和覆盖文件清单,partial 不再被当成成功),token 预算护栏当时还欠着。
基准可信度也要打个问号。唯一一次独立复测发生在 HN,开发者 eranation 拿第三方 Martian 基准抽 10 个 PR 跑,precision 约 12%、recall 约 74%,与官方数字几乎镜像反转。维护者回应那是旧版本的 tool call 异常所致,官方已复现并修复。两边数字没有仲裁,而 33.9% 这个数字出自工具作者自建的基准,既造工具又造基准的结构性质疑在 HN 和评测博客里都成立。
其他几条。V2EX 有人把它挂进 CI 跑 1400 个历史 PR,连跑十多个小时,小 PR 也要几分钟,吞吐是真实痛点。内置规则文件最初全中文,社区专门做了翻译仓库,后来官方才把英文版收进主线。语言允许清单现在覆盖 71 种扩展名,issue #470 还在公开征集语言专家补各语言的专属规则。版本节奏很快,11 月 13 日到 19 日连发五个版本。
对谁有价值
现在就值得动的,是 CI 里需要一道低噪声筛查、又被通用 agent 的 token 账单和漏文件问题困扰的团队。从 Delegation 模式起步,不用单配 key,先拿小仓库试运行一周改动。
再等等的,是指望高召回抓全问题的。官方在路线图里挂了 Ultra Mode(高召回档,明确说拿 token 和时间换),还没落地。几百个文件的大 MR 也建议等预算护栏补齐再上。
收益有限的,是单人小项目和几行改动的小 PR。确定性管线的分治优势要用规模喂,这种场景通用 agent 一句 /review 就够,HN 上那句「另开个 tab 让 codex 审不行吗」在这个场景下成立。
我的用法很明确。Delegation 模式先放进 CI 替掉粗筛,大 MR 提交前先看文件数和 diff 规模,预算护栏落地之前不让它碰千文件级的重构 PR。
数据截至 2026-11-20,来源 GitHub API(alibaba/open-code-review,54,434 星 4,503 fork)、README、ROADMAP.md、AGENTS.md、AACR-Bench(HuggingFace)、issue #409/#470、HN 讨论(2026-06-05)、explainx.ai 评测(2026-09-16)、阿里云开发者社区实测(2026-09-16)、V2EX 实战帖(2026-06-15)
GitHub 仓库 https://github.com/alibaba/open-code-review
更多推荐



所有评论(0)