Cheuk Ting Ho 的工作坊用一個刻意帶著缺陷、卻有接近 100% 覆蓋率的 Python 專案，示範 AI 生成程式碼真正該怎麼驗：從性質測試、時區矩陣、靜態分析與供應鏈稽核，一路做到架構邊界、對抗式審查與 AI 工作流評估。
Tag: #code-review
7 篇文章
Matt Pocock 把 AI 時代的 PR 瓶頸拆成三層煞車：自動檢查、自動 review、人類 review；重點不是讓 agent 多寫，而是讓 review 系統會學習。
AI agent 讓開 PR 變容易，卻把瓶頸推到 review。這集借 Matt Pocock 的演講，整理三層煞車、測試測謊、review agent 分工、單向門判斷與 retro 回饋系統。
碼農高天用一個 Python 模板解析小庫示範：AI、linter 與 formatter 會讓低階錯誤變少，但 Code Review 的價值沒有消失，而是轉向設計、介面語義、一致性、測試與 CI。
Eric Tech 這支影片借 Matt Pocock 的 Claude Code Skills，說明 agent 工作流正在從大型框架轉向短、可重組、語意密度高的小型技能。本文整理 Grooming、to-spec、to-tickets、TDD、code review 與 architecture review 的關鍵，也保留對影片判斷的編輯距離。
Armin Ronacher 在 The Coming Loop 裡討論 coding agent 的下一個重點：不是模型內部 tool loop，而是外層 harness loop。任務進 queue、機器嘗試、harness 判斷是否完成、再續跑或重開 session。這種 loop 在 porting、benchmark、security scan 很有效，但用來寫長期核心程式時，會放大不可理解、過度防禦與責任外包。
Addy Osmani 認為 AI coding agents 沒有讓 code review 變不重要，反而把工程瓶頸從寫程式移到驗證與信任。團隊需要依風險分層、要求證據、讓 AI 做第一線審查，但人類仍要負責高風險決策與 merge。