一句话看懂：掘金作者kyriewen在2026年10月做了一组小实验：让4个配置不同人设的AI评审同一段预埋5个缺陷的50行React搜索Hook代码，想证明AI互审会互相放水，结果20次挖雷全中、零误报。更值得注意的是，同一缺陷在不同评审员那里被标成P0、P1、P2不等。
事件核心：发生了什么
实验对象是一段约50行的useSearch Hook，作者预埋了5个缺陷：setTimeout未清理、请求竞态、loading只置true不置false、用户输入直接传入new RegExp、未转义内容拼进innerHTML导致XSS，另外依赖数组漏掉了source。4个AI评审员分别采用资深中性、严审、安全审查、宽松鼓励四种人设，彼此不通气，评分标准提前写死：只泛泛说“错误处理可以更好”不算命中，命中不足3个仍给Approve视为放水。
结果4个评审员均命中5/5，最“温柔”的宽松人设也逐条点出问题，结论为Request Changes。作者随后伪造一份只挑小问题、结论LGTM的review，交给3个新实例判断是否合入，三例均拒绝；再以“应届新人”和“AI生成初稿”为署名变量测试，两边都给出Block。素材中未说明具体模型版本，结果仅限该次单跑实验。
为什么重要
这组实验削弱了“AI审AI必然互相给面子”的直觉判断，但更实用的发现是：检出能力相对稳定，严重度定级不稳定。同一个loading卡死问题，被分别标为P0、P1、P2；同一处XSS也有P0与P1两种判定。对准备把AI放进code review流程的团队来说，这意味着单一评审员的定级不能直接当作修复优先级。
对用户/开发者/创作者的影响
开发者可以把AI评审用于初筛，但应让多个实例各审一遍：问题取并集，都提到的优先修，严重度采用投票而不是听第一个开口的。人设提示词能调整语气，却无法可靠地让AI“眼里留情”。需要说明的是，50行埋雷代码与数千行历史遗留模块差异很大，实验未覆盖后者；单次运行也受模型随机性影响，作者本人也列出了这些边界。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是不同模型和多次重复运行下，检出率与定级一致性是否变化；二是主流代码托管平台或CI工具是否会推出多评审员聚合、严重度投票类功能；三是真实团队数据中，AI评审漏掉的高危缺陷类型。作者在文末向团队征集实际漏报案例，目前尚无公开汇总。
来源：juejin
