GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

Agentic 代码审查正在成为开发流程中不可或缺的一环。它帮助你检查拉取请求、发现问题，并在代码发布前决定哪些值得关注。 但现有 AI 审查者的质量很难衡量，你需要先了解一个审查者的优势，才能判断它是否能帮到你。有些审查者能发现更多问题，有些产生的噪音更少，有些更擅长捕捉关键问题，而另一些则也会提出较小的改进建议。在你的工作流程中，代码审查可能需要承担不同的职责。 因此，理解审查者之间究竟如何比较就变得很重要：不同系统能捕捉什么、会遗漏什么，以及它们做出了哪些权衡。一个好的代码审查基准应该反映真实拉取请求的多样性，覆盖广泛的审查发现，并支持按严重程度、类别以及精确率-召回率偏好进行有意义的细分。对于构建代码审查 agent 的团队来说，该基准还应提供一个离线信号，可靠地追踪变更是否可能改善生产环境中的体验。现有基准往往在标签质量、覆盖范围以及真实代码审查的代表性之间做出取舍，留下了一个空白，缺少一种严谨且可复现的评估方法将这些要素整合起来。 我们构建了 ReviewBench，一个全新的代码审查离线基准，以填补这一空白，它现已可供你使用。它遵循 GitHub 上超过 1 亿个真实拉取请求的语言、仓库规模和拉取请求规模分布。它使用多来源黄金集和一致的评估标准，并已由资深工程师独立验证。同样重要的是，借助 ReviewBench，我们对 Copilot 代码审查（CCR）的离线评估能更有效地预判生产实验的方向，让我们更有信心认为所测得的改进反映了对用户有意义的提升。 在本文中，我们将介绍 ReviewBench 是如何构建的、它如何建立可靠的基准真值和评分，以及如何接入你自己的代码审查系统并提交结果。 本文中使用的术语定义 - 基准（Benchmark）：一种标准化评估，使用相同的评分方法在一组共同的拉取请求上测试代码审查者。 - 发现（Finding）：代码审查过程中发现的具体问题。 - 黄金集（Golden set）：针对每个拉取请求经过验证的已知发现集合，用作评估审查者捕捉或遗漏了什么的参考。 - 精确率（Precision）：在审查者发现的问题中，有效问题所占的比例。精确率越高通常意味着噪音越少。 - 召回率（Recall）：在已知的有效问题中，审查者找到的比例。召回率越高意味着覆盖范围越广。 - F1 分数：一个同等平衡精确率和召回率的单一分数。 - Fβ 分数：F1 的一种变体，允许你根据审查偏好对精确率或召回率赋予更多权重。 ReviewBench 概览 1 我们构建了什么 面向 AI 代码审查 agent 的真实、全面的基准 103.9M GitHub 拉取请求 按语言、仓库规模和变更形态分析分布。 具有代表性的基准语料库 覆盖 19 种语言的 219 个公开拉取请求，与 GitHub 整体分布保持一致，同时保留实质性审查案例。 多源黄金集 - 人工评审员 - 前沿 LLM - 静态分析 结构化发现 每条发现都标注了严重程度和类别，支持用户定制切片。 严重程度 - 严重 - 中等 - 低 类别 - 正确性 - 安全性 - 可靠性 - 可维护性 - 测试 - ...... 评估指标 四项指标同时衡量已知问题和新发现的问题。 - 有据精确率 - 有据召回率 - 增强精确率 - 增强召回率 客观评估 衡量改进效果，并在不同智能体之间进行客观比较。帮助用户选择最符合自身需求的评审器。 2 我们如何保持其可信度 从评分标准到专家验证再到生产检查，形成可审计的链条 已发布的评分标准 所有发现均遵循同一明确标准。 人工标注的开发集 由资深工程师确立真实基准。 经校准的评分器 与人工判断保持一致。 统一标注 所有来源采用同一标准。 已发布的一致性 由专家审计基准质量。 端到端可审计 96.6% 一致性 发布前由资深工程师独立标注黄金真阳性样本。 可预判生产表现的离线信号 基准变化会与线上实验进行对照检查。 - 改进通常会在线上体现 - 回退通常也会在线上体现 ReviewBench 如何运作 我们的基准建立在五项原则之上： 1. 具有代表性的拉取请求，而非演示集 我们分析了 1.039 亿个 GitHub 拉取请求，以刻画代码评审工作负载的真实分布。ReviewBench 包含来自 187 个公开开源许可仓库的 219 个拉取请求，覆盖 19 种语言，其语言和仓库规模分布与 GitHub 整体高度吻合。完整的基准数据集已公开。 我们对这一分布做了一处刻意的调整：语言和仓库规模直接镜像 GitHub，但拉取请求规模则向可评审的中段和长尾加权。这减少了微小单文件变更的过度占比，同时保留了更具实质内容的多文件拉取请求，而评审质量在这些请求中最为关键。 语料库快速概览： 2. 广泛发现真实基准，独立评判 没有任何单一评审者——无论是人还是模型——能够识别拉取请求中所有值得发现的问题。为了构建更广泛、更可靠的黄金集作为真实基准发现，我们遵循三阶段流程： - 从多种来源收集候选发现。我们从真实人工评审员、由作者后续提交推断出的问题、确定性分析工具，以及跨模型家族的多个前沿 LLM 中收集发现。 - 对重叠发现进行语义去重。我们合并指向同一底层问题的发现，在不允许各生产者之间的一致性人为抬高黄金集、也不使其依赖任何单一来源盲区的前提下，扩大覆盖范围。 - 在统一的评分标准下验证发现。一个发现的来源并不能决定它是否正确：只有当发现是真实的、相关的且非平凡时，才算作真阳性。我们使用 Claude Sonnet 5 作为 LLM 评分器，对所有提交应用一致的评估标准。为了透明和可复现，我们同时发布评估标准和用于应用该标准的评判器。 3. 同时衡量已知问题和最新发现问题的指标 大多数基准测试报告针对固定黄金集的精确率和召回率。ReviewBench 报告两个系列共六项指标： - 基于黄金集的精确率、召回率和 F1 分数仅使用现有的黄金集标签。它们提供严格的、同类比较：在我们已知的问题中，智能体发现了多少，其发现中有多大比例匹配了已知问题？ - 增强精确率、召回率和 F1 分数还会评估那些与黄金集中任何内容都不匹配的发现。评判器独立判断这些未匹配的发现是真阳性还是假阳性，从而让评审者因黄金集中没有任何生产者提出的有效问题而获得认可。 随着评审智能体能力越来越强，这一区别变得更加重要。当系统发现其创建者未曾预料到的问题时，固定的黄金集不可避免地会变得不完整。增强指标让 ReviewBench 能够认可这种行为，而不是自动对其进行惩罚。由于增强召回率会根据每个智能体发现的内容扩大分母，我们使用基于黄金集的召回率作为跨系统比较的主要指标，并将增强指标作为额外的单系统诊断指标。 4. 针对不同评审偏好的可配置评估 不存在单一普遍最优的评审体验。一些开发者可能只想关注关键问题，而另一些人同样看重较低严重性、非破坏性的发现。有些人偏好更广泛的覆盖，而另一些人则优先考虑精确率和最小噪声。还有人可能有专门需求，例如以安全或隐私为重点的评审。 ReviewBench 允许按严重性和类别对结果进行切分，而精确率和召回率则捕捉不同的操作偏好。用户还可以调整 Fβ 分数中的 β，以在更广泛覆盖时更重视召回率，或在降低噪声时更重视精确率。随着这些偏好变化，排行榜会相应重新排名，帮助用户识别最符合其评审优先级的系统。 5. 经过内部审计且可复现评估 在发布之前，我们请未参与构建基准数据集的资深工程师从头独立重新标注了每一个真实发现。他们的真/假阳性判断与 ReviewBench 的一致率为 96.6%。我们对每次评估中使用的基准数据集、评判器和匹配器进行版本管理，因此结果可以在相同的基准配置下进行比较，并在基准变化时重新验证。我们还发布验证方法、一致性测量结果以及已知的效度威胁，以便读者了解基准质量如何评估以及不确定性仍然存在于何处。 探索 ReviewBench ReviewBench 的研究预览版现已通过 ReviewBench 网站提供，你可以在其中探索完整基准、比较代码评审智能体，并带上你自己的智能体进行评估和迭代。 使用 ReviewBench，你可以： - 探索完整的基准数据集。完整的 ReviewBench 数据集已公开，包括拉取请求、发现项、标签、严重程度和类别标注。这让你能够准确查看系统在什么数据上被评估，并复现基准测试结果。 - 在排行榜上比较各系统。使用完整基准数据评估的代码审查智能体结果发布在一个公共排行榜上，提供整体性能、严重程度、类别以及不同精确率–召回率偏好的视图。 - 带上你自己的智能体来爬山。完整的基准数据集、评估方法、LLM 评判提示词、评判模型配置以及自助运行器均已公开，因此你可以评估自己的代码审查智能体，检查其优势与不足，并针对相同的基准配置进行迭代。 我们如何使用 ReviewBench 我们使用 ReviewBench 在连续迭代中评估 Copilot code review (CCR)，为我们提供了一种一致的方式来衡量进展、发现回归并确定有前景的变更的优先级。随着时间的推移，这帮助我们改进了产品。ReviewBench 最有价值的好处之一是，它能在早期离线阶段预示产品变更在生产环境中的可能表现。在 A/B 测试之前用 ReviewBench 评估的实验中，离线变化始终与我们在生产环境中后来看到的方向一致。 最近的一个 lite 层级实验为这一更广泛的模式提供了一个具体例子。我们引入了多模型集成审查，将多个独立的模型运行合并为一次审查，而不是依赖单次运行。ReviewBench 预测精确率、召回率和评论量都会提高，同时每次审查的成本会降低。 为了比较离线和生产结果，我们使用相应的在线信号。已处理率（addressed rate）是我们在线的精确率对应指标，指 LLM 根据 diff、讨论串、反应、解决状态和审查后代码判定 CCR 评论促使开发者做出相应代码更改的百分比。对于召回率，我们衡量仍需要多少额外的人工审查。 在线 A/B 测试的方向与 ReviewBench 的预测一致：相对于生产对照组，已处理率（精确率）上升 8.0%，召回率上升 13.6%，评论量上升 61%，而每次审查的成本下降 8.0%。 然而，仅凭评论量并不能反映评论质量。更多严重发现与低严重程度的吹毛求疵意义截然不同。ReviewBench 的严重程度级别评估也捕捉到了这一点：它预测严重评论增加 227%，而在线为 262%，同时同样呈现出向更多中等评论和更少吹毛求疵的转变。 这让我们在运行生产实验之前获得了一个快速且可重复的信号。在线实验仍然是衡量用户影响的最终标准，但 ReviewBench 让我们更有信心判断哪些变更值得投入生产实验。 如何提交你自己的运行结果 1. 在 ReviewBench 网站上使用 GitHub 登录。 2. 注册你的智能体。提供容器镜像、你的配置和你自己的模型密钥。我们提供评判器。 3. 在测试集上试用。针对包含 25 个 PR 的测试集运行，查看每个 PR 的详细信息，并在调整配置时反复运行。 4. 进行最终运行。当你准备好后，运行完整的 219 个拉取请求集合（三轮），由与其他所有参赛作品相同的评审进行评分。 5. 发布到排行榜。在维护者审核并批准提交之前，你的分数保持私密。只有当分数超过该 agent 当前的排行榜分数，或者这是该 agent 首次进入排行榜时，分数才会发布到排行榜。 我们邀请你探索 ReviewBench，评估你自己的系统，挑战我们的假设，并帮助我们改进这个基准。我们期待与研究人员和从业者合作，让代码审查评估更加开放、可靠和有用——并最终推动 AI 代码审查向前发展。 致谢 ReviewBench 是 GitHub 和 Microsoft 跨团队合作的成果。我们感谢构建它的研究人员和工程师：他们设计了方法论、整理了拉取请求、构建了黄金集和评估流水线，并让这个基准成为任何人都可以运行的东西。 文章 ReviewBench: An open benchmark for AI code review 首次出现在 The GitHub Blog。