AI生成代码的Review盲区:这五类问题它自己不会告诉你
AI写的代码看起来干净、测试也过了,上线却出事。原因是AI擅长隐藏错误而不是暴露错误。本文总结五类Code Review盲区,给出具体的检查清单。
用 AI 写代码一年之后,多数团队的共识是:写得更快了,但审查更累了。
不是 AI 写得差,而是它写的东西”看起来很对”。缩进整齐、命名规范、注释齐全,甚至还会主动加错误处理——这让审查者的警惕性自然下降。而真正的问题,恰恰藏在那些看起来没问题的段落里。
盲区一:错误处理的”表演”
AI 特别爱写 try-catch。但你看一眼里面:
try:
result = call_api(url)
except Exception as e:
logger.error(f"调用失败: {e}")
return None
这个 catch 捕获了一切,记录了一条日志,然后返回 None 让调用方继续跑。上游拿到 None,要么在更远的地方崩掉、要么带着空值继续处理。错误被”处理”了,但问题被推迟了,而且更难定位。
检查要点:每个 catch 都要回答——出错了,系统应该停下还是继续?继续的话,下游知不知道这是失败?
盲区二:并发与状态假设
AI 生成的代码往往基于单线程、单用户的假设。一旦放到真实环境里:
- 两个请求同时改了同一个字典
- 缓存写入不是原子的
- 全局变量被当成每次调用独立的
这些在单元测试里完全看不出来,因为测试天然是串行的。
检查要点:看到模块级可变状态、看到”先查再写”的两次操作,就要问一句:这中间被插入了怎么办?
盲区三:测试跟着实现走
AI 写测试的速度也很快,但它写的测试通常是照着自己刚写的实现反推的——实现怎么算,测试就怎么断言。这种测试能过,但没有价值:它验证的是”代码和自己一致”,不是”代码符合需求”。
检查要点:读测试先读用例名和输入。如果输入全是 ideal case,几乎没有异常分支和边界值,那这个测试基本是装饰品。
盲区四:依赖与版本的”看起来很稳”
AI 训练语料有时滞。它推荐的库版本、API 用法可能已经过时:
- 用了已被废弃的方法(能跑,但下个大版本会消失)
- 引入了很久没维护的包
- 写了一个自己实现的安全加密逻辑,而不是用标准库
最后一条尤其危险。AI 很喜欢”顺手实现一下”哈希、签名、随机数,结果通常是教科书式做法,缺少盐、缺少恒定时间比较。
检查要点:凡是涉及安全敏感的代码,一律要求用成熟库,不接受自有实现。
盲区五:需求的”合理化”偏移
这是最隐蔽的一类。需求说”金额四舍五入到分”,AI 可能实现成 round(x, 2)。看起来对,但 round 用的是银行家舍入,1.005 会变成 1.00 而不是 1.01。财务系统里这类差异会导致对账不平。
AI 不会主动告诉你”这里我做了个假设”。它会以同样自信的语气给出三个方案里的一个。
检查要点:凡是涉及舍入、时区、字符编码、排序稳定性的地方,都要显式确认语义。
怎么审才有效率
与其逐行读,不如按风险排序:
- 先找所有涉及金额、权限、并发、外部调用的位置
- 这些地方逐字看,其余地方扫读
- 对每个 AI 生成的模块,问一句”它在什么输入下会静默出错”
最后一条是最有用的思维工具。AI 最擅长的是让错误不触发异常,所以”静默出错”这个角度,比”有没有 bug”更能挖出真问题。
一个现实结论
AI 编程工具不会让人不需要懂代码,它改变的是读代码的重点。以前审查是在找”写错了的地方”,现在审查是在找”写得太顺、看不见问题的地方”。
同样的时间,重心从语法转向语义。这其实是更难的工作,但它也更有价值。