一句话看懂：一名开发者历时一年，在尝试自建平台和商业付费工具均遇阻后，总结出了一套以 Cursor 编辑器为核心、结合 MCP 能力和自定义 Skills 的本地化 AI Code Review 方案，实现了低成本、高定制且贴合团队真实研发场景的落地。
事件核心：发生了什么
作者所在团队自 2024 年底起尝试 AI Code Review，初期自建平台（基于 GitHub Action 和 RAG 向量库）遭遇业务理解断层、长 Diff 处理复杂、RAG 召回噪音及安全合规等难题，投入人力大但效果不佳，最终废弃。随后试用第三方工具如 PR-Agent、Cursor Bugbot 等，发现存在价格高（如 Bugbot 每人每月 40 美元，叠加 Cursor 后达 70 美元）、按头收费、黑盒化及定制性低等问题。最终，作者利用闲置服务器部署 Cursor 团队版，通过 Webhook 触发 PR 时执行命令行 Review（每月 500 次 Claude Opus，成本降至月 30 美元）获得较好效果，但发现方案仍有“AI 评论易被盲目信任”和“无法在编辑器中直接 Review”的痛点。在此基础上，作者设计出一套以 Cursor 编辑器为核心的工程化工作流：通过脚本采集团队过去 1 年的 PR 评论，提炼出类型安全、模块边界、错误处理等 8 类高频问题，再编写 Cursor Custom Skill（含 7 个审查步骤），将审查流程、规则和输出格式固化。
为什么重要
这套方案对中小技术团队有实际参考价值。它揭示了当前 AI Code Review 在成本与效果之间的平衡点：自建平台需持续投入 RAG 维护和私有化部署，ROI 往往偏低；第三方商业产品难以定制且按人头收费。作者通过“半自建 + 基于 Cursor 的本地化审查”方法，规避了这两条路径的硬伤——利用 Cursor 自带的 Codebase 能力解决上下文感知问题（无需自建 RAG），通过 Custom Skill 实现团队规则定制，同时将成本控制在极低水平（月约 30 美元）。这反映出一个趋势：AI 代码审查工具正从独立平台或 SaaS 服务，向深度集成到开发者常用编辑器（如 Cursor）的方向演进，让 AI 充当辅助助手而非替代者。
对用户/开发者/创作者的影响
对于承担代码审查责任的中小团队开发者而言，可直接“照抄”此方案：前提是已使用 GitHub 和任意 AI Coding 工具（作者以 Cursor 为例）。工作流包括四个步骤：1）通过 GitHub API 脚本采集历史 PR 评论，归类形成问题库；2）编写 Cursor Custom Skill（Prompt 形式），定义 7 步审查顺序（获取 diff → 变更摘要 → 影响点评估 → 架构评估 → 逐文件审查 → 格式化输出 → AI 建议修改），并细化团队特有规则（如金额必须用高精度类型、禁止硬编码魔法值等）；3）在本地编辑器中通过 MCP 接口触发审查；4）形成“数据采集-规则优化-效果验证”闭环。这套方案无需自建 RAG 或私有化部署，普通研发即可维护，同时将人工审查焦点从重复问题转向架构设计等核心环节。
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
1）Cursor 的 Custom Skill 功能是否会进一步开放 API 或支持团队级规则共享，降低编写门槛；2）其他 AI 编辑器（如 Windsurf、VSCode 的 Copilot）是否会跟进类似“本地化审查工作流”能力，形成竞争；3）该方案在团队规模扩大时（如超过 50 人）是否仍能保持 ROI，以及如何解决跨仓库、大团队的规则统一和维护成本问题。
来源：juejin
