一句话结论：阿里把内部实战的代码审查 Agent 开源了，用”确定性流水线 + LLM Agent”混合架构，接任意大模型、数据本地私有。工程成熟度很高，但 AI 审查能力受技术现状所限。综合评分 7.5/10 —— 严肃项目，值得团队试用，但别指望它替代人工。
它解决什么真实痛点
团队代码审查有两个老问题：人工 review 耗资深工程师的时间、质量因人而异；纯 LLM 审查又贵又飘（token 烧得快、爱幻觉、行号对不准）。它的解法是把活儿拆开——确定性工程（文件过滤、行号定位、规则路由、并发调度）用代码处理，只把”语义判断”交给 LLM Agent，在质量、成本、速度之间找平衡。
真实数据（截至发稿）
- ⭐ 13.7k star、938 fork、392 commits、106 个发版 tag
- 项目年龄仅 2 个月，最近提交 9 小时前，高强度活跃开发
- Apache-2.0 协议，Go 语言，配套 VSCode 扩展 + Claude 插件
优点
- 阿里真实规模验证，不是 demo 玩具
- 混合架构省 token，官方晒了对比 Claude Code 的成本数据
- 国产模型友好：内置 DeepSeek、智谱、通义，可完全私有化、数据不出内网
- 10+ 语言内置规则（NPE、线程安全、XSS、SQL 注入）
- 敢晒公开基准（AACR-BENCH，80+ 工程师交叉验证）
局限（必须知道）
- 审查召回率仍然低：自家基准最高 F1 才 25%（Claude-4.6-Opus），意味着五个真问题 AI 大概只能揪出一个，不能替代人工 review
- 效果强依赖你接的模型：接弱模型≈没用，好模型 token 成本又上来了
- 2 个月新项目，长期稳定性待观察
- 本质是”审查助手”而非”自动审查员”
适合谁
值得上：有代码审查规模痛点的团队、要数据私有化或国产模型的企业、想给审查加一道自动化初筛的团队。
先别急：指望”装上就自动审查、替代人工”的；个人小项目（杀鸡用牛刀）。
结论
工程和生态是生产级的严肃项目，国内团队和私有化场景尤其值得试。但请把它当“高质量的审查助手”，不是”自动审查员”——现阶段 AI 代码审查的天花板就在那，它已经是这个天花板下做得最扎实的之一了。
项目地址：github.com/alibaba/open-code-review · 数据抓取自 GitHub API + 官网基准，AI 生成、人工审核 · 拆源，只拆干货，不吹不黑。