在现代软件开发中，代码审查（Code Review）早已成为质量保障和团队协作的核心流程。但在实际工程环境里，审查往往陷入 信息割裂、人工效率低、自动化不足 等长期痛点：Lint、测试、Issue、变更记录散落在不同系统里；复杂逻辑难以仅凭单一工具理解； 人工审查不仅耗时，还容易受主观影响。

你可以通过

• 安装 AutoDev CLI：npm install -g @autodev/cli (0.3.0 版本），执行：autodev review -p .
• 下载 AutoDev Desktop 来体验：https://github.com/unit-mesh/auto-dev/releases （compose-0.3.0 版本)

让 AI 不止能审代码，还能真正把代码改对

借助 多智能体协作 + 信息聚合，AutoDev 让 AI 像资深工程师一样，能够全面理解代码的上下文、历史演进、质量风险，并在必要时自动生成修改建议或直接执行修复。

当前代码审查面临的典型挑战包括：

• 信息孤岛：Lint、测试、Issue 和代码变更等数据分散，难以形成全局视角。
• 自动化受限：单一工具无法覆盖复杂逻辑或语义理解任务。
• 协作瓶颈：人工审查效率低且容易受主观判断影响。

通过 Agentic 架构，这些问题得以系统化解决，实现从分析到修复的闭环智能流程。

集成 Lint、测试、Issue 与结构分析的统一审查引擎

AutoDev 智能审查流程可以概括为一个串联的四步流水线：先收集全部静态上下文，再用 LLM 做深度分析，然后生成可执行的修改计划， 最后由多 Agent 协作完成自动修复。整体过程如下：

• 静态信息收集（Code Audit）：基于 Git diff 提取变更块；用 CodeGraph 等工具定位受影响的类/方法；运行 ESLint/Ktlint/Detekt 收集 Lint；聚合 Issue、需求、测试等关联信息；所有结果以结构化数据输出，且全程不耗 Token。
• AI 智能分析（Code Analysis）：将 diff、结构、lint、issue、测试等数据构造成系统 Prompt；根据不同 reviewType（综合/性能/安全/风格）做多维度分析；在必要时通过 read_file、grep_search 等工具补全上下文；最终输出结构化 ReviewFinding（严重性、定位、建议）。
• 修改计划生成（Modification Plan）：从分析结果中抽取关键问题与修复路径；将 Lint 与 AI 发现的问题合并并排序；通过专用 Prompt 生成可执行的修复计划（To-Do、步骤、优先级）；用户可补充或筛选，用作实际修复的输入。
• 自动修复（Generate Fixes）：依据真实变更块（ChangedHunks）生成修复；聚合计划、Lint、分析结果与用户反馈形成完整修复需求；由 CodeReviewAgent 协调 CodingAgent 执行多轮工具调用（读写文件、重构、测试等）并生成最终代码；输出最终补丁与元信息，支持回滚与多轮迭代。

而位于其中的核心是 CodeReviewAgent，它串联起了整个流程。

面向平台工程的多 Agent 审查与自动修复

AutoDev 的多 Agent 协作体系围绕任务分解、上下文传递与工具化执行构建，旨在在代码审查场景下实现可扩展的智能分析与自动修复。其整体设计可归纳为以下几个部分：

设计动机：代码审查涉及多类能力（静态分析、上下文理解、代码生成、错误恢复），单一 Agent 难以在 Token 约束下保持稳定吞吐。将任务拆分为独立 Agent 可以降低复杂度，使分析、修复等能力按需组合并独立演进。子 Agent 支持降级与替代，可在分析失败或工具异常时提供弹性执行路径。

角色划分

• CodeReviewAgent（主 Agent）/执行整体任务编排，负责 diff、lint、issue、测试等多源信息的聚合。构建系统级 prompt，驱动模型进行分析。根据任务阶段调用子 Agent 或 CodingAgent。
• SubAgent（分析类 Agent）
  • AnalysisAgent：处理大型内容块和复杂上下文，减少主 Agent 的 Token 压力。
  • ErrorRecoveryAgent：用于处理工具调用异常、模型输出错误等情况，尝试恢复流程。
  • CodebaseInvestigatorAgent：执行代码库范围的扫描、跨文件定位和结构提取，补充主 Agent 的全局视角。
• CodingAgent（修复 Agent）
  • 专注代码修改任务，负责执行 read_file/write_file/lint/test 等工具调用。
  • 基于分析阶段的输出生成补丁并返回结构化修复结果。

现有的协作机制可以理解成：主 Agent 负责调度，子 Agent 和工具按需上场。

• 子 Agent 的创建和销毁由 SubAgentManager 管着，主 Agent 会根据任务大小、内容复杂度决定叫哪个上来。
• 所有工具（包括子 Agent）都注册在 ToolRegistry，实际执行由 ToolOrchestrator 统一调度，负责权限和结果处理。
• 主 Agent 聚合所有上下文，能直接给模型，也能把一部分丢给子 Agent 处理，再把结果收回来做最终判断。

典型流程就是：

1. 主 Agent 收到审查请求，先整理 diff、lint、issue、测试等信息。
2. 内容太大就丢给 AnalysisAgent 先处理。
3. 主 Agent 构建 prompt，让模型做分析。
4. 修复阶段把任务交给 CodingAgent 去改代码。
5. 出错时由 ErrorRecoveryAgent 尝试恢复。

整体特性：结构清晰、扩展简单、出问题也能自我兜底。

将碎片化审查信息融合成可行动的智能决策

AutoDev 的信息聚合能力，是其智能审查的基础。它会自动收集并融合如下多源信息：

• 代码变更（Git Diff）：精准定位本次提交或 PR 涉及的所有变动。
• 静态分析（Lint）：自动运行并聚合多种 Linter 的结果，按严重性分级。
• Issue 追踪：自动关联相关 Issue，提取描述、状态、标签等关键信息。
• 测试相关性：分析变更代码与测试文件的关联，辅助评估风险。
• 代码结构分析：通过 CodeGraph 等工具，识别受影响的函数、类等结构单元。

所有这些信息，都会被结构化地输入到 AI 的系统提示（Prompt）中，确保 LLM 能“看见”最全的上下文，做出更专业的判断。

未来展望

AutoDev Agentic Code Review 通过多智能体协作和信息聚合，极大提升了代码审查的智能化和自动化水平。它不仅能自动发现问题，还能给出修改建议甚至直接修复，真正让 AI 成为开发团队的“超级审查员”。

未来，AutoDev 还将进一步集成测试覆盖、CI/CD、增量分析等能力，持续推动智能开发工具的边界。