Ask HN: Welche Tools nutzt ihr für menschliches Code-Review von KI-unterstütztem Code?
Ask HN: What tools are you using for human code review of AI-assisted code?
Ein großer Teil von uns und unseren Kollegen erzeugt inzwischen agentenunterstützten Code in unglaublichem Tempo, wovon einiges gut ist, aber vieles nicht so gut. Ich stelle fest, dass das eigentliche Qualitätskriterium für unsere Projekte nun darin besteht, wie gründlich der generierte Code menschlich überprüft wurde, um sicherzustellen, dass er nicht nur korrekt, sondern auch architektonisch sinnvoll ist. KI-Code-Review-Tools wie coderabbit und copilot oder sogar claude code auf einen PR zu richten, sind alle ziemlich gut darin, Bugs und Stilfeinheiten zu finden, aber weniger gut darin, doppelten Code, Modulkopplung, schlechte Trennung von Zuständigkeiten usw. zu erkennen, selbst wenn man sie dazu auffordert. Ich finde, dass die PR-Oberfläche von GitHub für mich nicht mehr ausreicht; sie war schon wackelig, als die Reviews klein waren, aber jetzt, wo sie so groß sind, wird sie unüberschaubar. Dazu kommt der zusätzliche Lärm durch gemischte Agenten-Reviews und Leute, die per 'Fleisch-Stellvertreter' kopierte Agentenausgaben einfügen, und es wird ziemlich laut und schwer zu navigieren. Was habt ihr gefunden, das gut funktioniert, um das menschliche Review von KI-unterstütztem Code zu optimieren? Vorschläge für Tools und Prozesse sind willkommen.
Wir haben festgestellt, dass es am besten ist, den KI-generierten Code in kleineren, logischen Einheiten zu reviewen, anstatt in riesigen PRs. Wir nutzen dafür die Branch- und Commit-Ansicht in GitHub und erstellen separate PRs für jede logische Änderung. Das reduziert die kognitive Belastung und macht es einfacher, architektonische Probleme zu erkennen.
Ich habe gute Erfahrungen mit dem Einsatz von semgrep und anderen statischen Analyse-Tools gemacht, um Duplikate und Kopplungsprobleme zu finden, bevor ich den Code menschlich reviewen. Das nimmt einen Teil der monotonen Arbeit ab und lässt mich mich auf die wichtigen architektonischen Fragen konzentrieren.
Ein Prozess, der bei uns funktioniert, ist, dass der Autor des KI-generierten Codes eine Selbstüberprüfung durchführt und dann einen menschlichen Reviewer hinzuzieht, der nicht mit dem Code vertraut ist. Diese frische Perspektive hilft, Probleme zu erkennen, die der Autor übersehen hat, und fördert eine bessere Trennung der Zuständigkeiten.
Wir verwenden ein Tool namens 'Reviewable', das eine bessere Oberfläche für Code-Reviews bietet als GitHub. Es erlaubt uns, Kommentare zu bestimmten Zeilen zu verfassen, Diskussionen zu verfolgen und den Fortschritt zu visualisieren. Das hat die Qualität unserer Reviews deutlich verbessert.