第一次评审，AI指出“退款接口缺少幂等键”。开发提交第二版，只改了变量名。再次评审后，这条评论却从待办区消失了。
代码没修，告警不见了。
9月18日，GitHub更新Copilot Code Review：概览会区分Open、Resolved since last review和Previously missed；后续提交后，Copilot还能自动关闭自己的评论，并给出Won’t Fix或Incorrect等原因。
这能减少PR页面噪音，也带来一个新质量问题：团队不能只统计AI发现了多少问题，还要验证每条问题在多次提交之间是怎样迁移的。
一条评论现在是一台状态机
传统静态扫描通常有稳定规则：问题还在就继续报，问题修复就关闭。LLM评审受到上下文、模型采样、文件顺序和补丁范围影响，同一问题第二次未被提到，不代表它已经修好。
至少要区分四种状态：
Open：问题仍存在，继续显示；
Resolved：对应风险已被真正修复；
Incorrect：原评论经证据确认是误报；
Missing：问题仍在，但本轮模型没有再次识别。
产品界面可能没有Missing这个词，但评测系统必须有。否则“本轮没说话”很容易被误当成“已经解决”。
先建立问题身份，再比较评论文字
AI每次生成的措辞可能不同，不能用评论全文做主键。可以把问题归一为：规则类别、文件、业务对象和证据位置。
from dataclasses import dataclass
@dataclass(frozen=True)
class Finding:
rule: str
file: str
symbol: str
severity: str
def lifecycle(previous: set[Finding], current: set[Finding], fixed: set[Finding]):
return {
"open": previous & current,
"resolved": previous & fixed,
"missing": previous - current - fixed,
"new": current - previous,
}
idem = Finding("missing_idempotency", "refund.py", "create_refund", "high")
states = lifecycle({idem}, set(), set())
assert states["resolved"] == set()
assert states["missing"] == {idem}
这段断言表达了一个非常重要的原则：没有再次报告，只能证明“本轮没看到”，不能证明“代码已修复”。Resolved必须由补丁证据或确定性测试支持。
“Previously missed”其实是一份不稳定性账单
GitHub的新概览会列出后续评审才发现、但并非新提交引入的问题。这对开发者很有帮助，对测试团队则暴露了评审的不稳定性。
假设同一版PR连续评审5次，一条高危问题只出现2次。平均发现数可能很好看，真正的单问题召回率却只有40%。上线门禁不能只看“总共找到了多少”，还要看：
同一补丁重复评审，结果一致率是多少；
高危问题是否至少在N次中稳定出现N-1次；
新提交只改注释时，旧问题是否被错误关闭；
文件顺序变化后，严重级别是否漂移；
被人工要求保持Open的评论，后续是否仍被尊重。
推荐为高风险规则准备一组变形测试：只改变量名、只加注释、移动函数位置、拆分文件、加入无关大文件。业务缺陷不变，评审结论也不应发生根本变化。
自动关闭必须有“可验证的理由”
如果AI认为问题已经修好，系统至少要留下三份证据：
哪个提交改变了相关代码；
哪条规则从失败变成通过；
为什么是Resolved，而不是Incorrect或Won’t Fix。
对于退款幂等、权限绕过、金额精度这类高风险问题，最好再跑确定性测试。例如评论说“已补充幂等键”，CI就真的发送两次相同请求，检查是否只产生一次退款记录。
def assert_auto_resolve(old_issue, new_issue, regression_passed):
if old_issue.severity == "high":
return new_issue is None and regression_passed
return new_issue is None
assert not assert_auto_resolve(idem, None, regression_passed=False)
assert assert_auto_resolve(idem, None, regression_passed=True)
AI负责指出变化，测试负责证明变化成立。这两个角色不能合并成一句“模型认为已解决”。
把AI评审接进CI，门禁应该看什么
一个实用门禁可以分三层：
确定性层：单测、契约测试、安全规则必须通过；
行为层：高危评论不得无证据自动关闭，人工锁定Open的评论必须保留；
统计层：重复评审稳定率、Previously missed比例和误关闭率不超过阈值。
其中“Previously missed比例”不要一刀切为零。模型评审本来就有概率性，更重要的是高危问题不能持续漂移，以及团队知道漂移发生在哪里。
可以设置两条硬线：高危误关闭为0；同一补丁重复评审时，高危问题稳定召回率不低于95%。普通可维护性建议则可以用更宽松阈值，避免为了稳定而牺牲有价值的新发现。
测试团队真正要拥有的是评审历史
AI代码评审正在从“给PR留几条评论”变成一个有记忆、有状态、会自行结案的系统。测试对象也随之改变：不再只是某条评论对不对，而是问题从出现、复核、修复到关闭的完整轨迹是否可信。
下一次接入AI Review，不妨先保存三样东西：固定补丁、人工标注的问题清单、每轮评审状态变化。连续跑几次，你很快会看到哪些规则稳定、哪些只偶尔灵光一现、哪些最容易被错误关闭。
这也是传统缺陷管理能力迁移到AI测试开发最自然的一步：不是和模型比谁更会读代码，而是给它建立一套不能悄悄删掉证据的质量流程。
