Anthropic раскрыла, как ревьюит код, который на 90% пишет Claude

Anthropic показала, как выглядит code review, когда код почти целиком пишет модель. Около 90% кода в Claude Code создаёт сам Claude, и человеческое внимание стало самым дефицитным ресурсом. Команда сформулировала цель так: минимум человеческого времени на ревью при том же уровне откатов и инцидентов. С июня по сентябрь мержей стало больше чем вдвое, а доля откатов упала более чем на 40%.

Метрики выбраны с инженерной хитростью. Оптимизируют число апрувов на PR, число комментариев и время ожидания человека. Откаты и инциденты работают как ограничитель: если они растут, выигрыш в скорости не засчитывается.

Конвейер из семи слоёв, где человек подключается поздно

Система собрана из последовательных фильтров. Каждый снимает часть нагрузки с живого ревьюера:

• До PR. Claude сам запускает тесты, билд и линтер. Затем сабагент со свежим контекстом смотрит дифф. Есть внутренние скиллы: поиск багов, упрощение диффа и e2e-проверка.
• AI-ревью на каждый PR. Несколько агентов параллельно ищут баги, отдельная группа голосует за каждую находку, чисто стилистические замечания отбрасываются. Находки размечены как Important, Nit и Pre-existing, чтобы старый баг не повесили на автора. На каждую находку нужно ответить. После запуска превью доля PR с содержательными комментариями выросла с 16% до 54%.
• Security-ревью. Оно блокирует мерж.
• Обычный CI. Линт, проверка типов и тесты на всех платформах.
• Апрув по риску. Классификатор определяет, сколько людей нужно. Доки, тексты и фичи за флагом требуют ноль человек, обычные изменения один, самые критичные двоих. Биллинг, автоапдейтер и CI-воркфлоу всегда требуют человека.
• Выкатка. Merge queue и флаги. Сначала изменение видят внутренние пользователи, потом канал latest, потом stable.
• Быстрый откат.

Логика такая: дешёвые автоматические проверки отсекают очевидное, а дорогое человеческое время тратится там, где цена ошибки высока.

Когда агент-автор и агент-ревьюер гоняют друг друга ночью

Самая показательная история в разборе касается бесконечных циклов. Агент-автор и агент-ревьюер могут обмениваться правками без конца. Один PR за ночь прошёл больше 50 раундов, пока автор не остановил процесс. Анализ показал, что около 59% замечаний относились к старому коду. Ревьюер в каждом раунде находил ещё пару унаследованных багов, а не новые ошибки в изменении.

С точки зрения токенов это чистая потеря: каждый раунд оплачивается контекстом диффа, прогоном нескольких агентов и голосованием. Команда ввела лимит в три раунда, а повторное ревью теперь смотрит только новый дифф. Разметка Pre-existing закрывает вторую половину проблемы: старый долг видно, но он не блокирует чужой PR.

Отдельно стоит механизм контроля качества самого ревьюера. Каждый прошлый инцидент превращают в eval, и ревьюера прогоняют по этим кейсам ежедневно. Любое изменение промпта или модели, которое ухудшает скор, откатывают. Ревью-агент тестируется как обычный продакшен-компонент.

Четыре правила, которые переносятся в любую команду

В разборе есть набор принципов, не привязанных к инфраструктуре Anthropic:

• Уровень риска определяется изменением, а не автором.
• Облегчённый путь доступен только доверенным авторам.
• Апрув агента никогда не засчитывается за человеческий.
• Кто поручил задачу агенту, отвечает за код так, будто написал его сам.

Для команд, где агенты уже пишут заметную долю кода, из этого следует конкретный план. Начать стоит с классификации путей репозитория по риску: что можно мержить без человека, а что всегда требует ревью, как биллинг и CI у Anthropic. Затем нужно поставить многоагентное ревью с голосованием и разметкой находок, ограничить число раундов и собирать собственные eval из реальных инцидентов. Для тех, кто не хочет собирать всё сам, Code Review для Claude Code вышел в GA на тарифах Team и Enterprise. Оригинальная статья опубликована на claude.dev.