AI代码审查工具能否检测自身的不安全代码变更？

AI代码审查工具对自己错误的遗漏有多严重？

简短的回答是：非常糟糕。一项名为SWE-PRBench的严格2026年基准测试，对8个前沿AI模型在350个来自开源项目的真实拉取请求上进行了评估，并将其审查结果与人工标注的基准真相进行了对比[3]。排名前四的模型——即目前最顶尖的可用模型——仅检测出了人类审查员标记问题的14.7%至15.3%。这意味着它们遗漏了大约85%的实际问题。而四个较弱的模型表现更差，得分仅为11.3%或更低。因此，即便是当今最先进的AI代码审查工具，也只能捕捉到人类能发现的问题中大约七分之一。

这不仅仅是遗漏问题——AI工具还频繁“谎报军情”。2023年的一项研究将ChatGPT与11种传统静态代码分析工具进行对比，针对OWASP十大安全风险中的92个已知PHP漏洞进行了测试[1]。ChatGPT发现了其中62%至68%的漏洞，远优于表现最好的传统工具（32%）。但问题在于：ChatGPT的误报率高达91%。这意味着它每标记10个问题，就有9个其实是正常的。而误报率最高的传统工具也仅为82%，可见ChatGPT在精确性上反而更差。如果让AI工具审查自己生成的代码，其大部分警告都将沦为噪音，真正的问题反而会被淹没。

为什么AI工具在审查自己的代码时表现如此糟糕？

核心问题在于，AI代码审查者并不能像人类那样真正“理解”代码——它们只是基于训练数据进行模式匹配，且容易因上下文过多而陷入混乱。SWE-PRBench研究揭示了一个既有趣又令人担忧的现象：当AI模型获得更多代码上下文（如完整文件内容或整个项目）时，其表现反而会下降[3]。这被称为“注意力稀释”——模型被长输入淹没，难以抓住关键细节。研究发现，在所有8个模型中，简短聚焦的提示（2000个token）均优于更长更丰富的提示（2500个token）。因此，给AI提供更多信息来帮助其审查自身代码，反而会适得其反。

另一个原因是，AI工具擅长发现通用的表层问题（如语法错误或常见的不安全模式），但在处理上下文相关的问题时却力不从心——这类错误只有结合代码的具体逻辑才能理解。SWE-PRBench研究发现，从配置A（仅差异）到配置B（差异加文件内容）的性能骤降，正是由于对“Type2_Contextual”类型问题的检测能力崩溃所致[3]。而这类问题恰恰是AI可能在其自身代码中引入的、基于逻辑的细微错误。与此同时，描述AI代码审查系统（如“AI代码审查助手”和“AI代码向导”）的论文声称准确率很高（其中一例达到92%），但这些说法均来自自我报告式评估，而非基于人类专家的独立基准测试[2][5]。独立证据所揭示的情况则要谨慎得多。

如今，你对AI代码审查能抱有哪些实际期待？

将AI代码审查视为一位有用但不可靠的初级助手——它无法替代人类的判断。证据表明，AI能够捕捉到传统静态分析工具遗漏的某些问题。在2023年的一项研究中，ChatGPT发现的漏洞数量约为最佳传统静态分析器的两倍（62-68%对比32%）[1]。而《AI代码审查系统》论文指出，与传统工具相比，AI在理解上下文和提供更智能的建议方面具有优势[4]。因此，AI可以成为你工具链中的有益补充，尤其在捕捉常见安全漏洞或提出改进建议方面。

但数据已经说明一切：你不能依赖AI来审查自己编写的代码，也不能用它替代人工审查。目前最优秀的AI模型仍会漏掉人类能发现的85%的问题[3]，同时还会产生大量误报，白白浪费你的时间。2023年的一项研究指出，混合模式或许是最佳方案——将传统静态分析工具与AI结合，取两者之长[1]。就目前而言，实际操作的底线是：将AI代码审查作为快速、粗筛的工具来捕捉明显问题，但最终审查必须由人工完成，尤其是涉及安全关键代码时。并且，绝不能让AI成为它自己编写代码的唯一审查者。

关于这些来源

该答案基于5篇经同行评审的研究——发表于2023年至2026年间，其中4篇为2024年或之后发表——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文的数据库中检索到的40篇文献。

本文引用的文献

相关研究问题