Greptile联合创始人Daksh Gupta：如何构建高效的AI代码审查代理
Greptile联合创始人Daksh Gupta在视频中分享了构建AI代码审查代理的工程实践。他分析了简单沙箱加Webhook方案的局限性（漏报Bug、成本高、噪音多），并详细介绍了六种修复方法，包括使用针对性提示词、基于历史事故PR的数据集、模型反转技术（用GPT审查Claude生成的代码，反之亦然，可多捕获约10%的Bug）、代码库上下文与动态Wiki、自主测试以及将廉价模型路由至大多数子任务以降低成本。
对于希望构建内部AI代码审查工具的工程团队而言，直接采用简单的“沙箱+Agent+Webhook”架构往往面临三大痛点：遗漏关键Bug、单次审查成本高达3至25美元，以及产生大量无意义的挑剔评论。Greptile联合创始人Daksh Gupta在其最新发布的视频中，系统性地拆解了这些问题的成因，并分享了Greptile在实际运营中验证有效的六项改进措施。
Gupta指出，提升审查质量的核心在于上下文与策略的精细化。首先，通过更精准的提示词减少噪音，并利用包含过去事故PR的历史数据集来训练模型识别真实风险。其次，他重点介绍了“模型反转”（Model Inversion）技术，即使用GPT审查由Claude编写的代码，或使用Claude审查GPT生成的代码。据其描述，这种交叉审查机制能额外捕获约10%的Bug。此外，引入代码库上下文和持续更新的动态Wiki，使Agent能理解项目特有的规范与依赖关系。
在成本控制与执行效率方面，Gupta建议利用计算机操作能力（computer use）在沙箱环境中运行自主测试，以确保代码变更的实际可行性。同时，实施智能路由策略，将大部分常规子任务分配给更廉价的模型，仅在复杂环节调用高性能模型。这一系列组合拳旨在平衡审查深度与运营成本，为工程团队提供了一套可落地的参考框架。
需要注意的是，上述关于Bug捕获率提升及成本数据的陈述均源自Greptile的内部实践与自报结果，尚未见独立的第三方基准测试验证。然而，作为处理GitHub上约1%拉取请求的服务商，其工程方法论对正在探索自动化代码审查的团队仍具有显著的参考价值。