receiving-code-review 快速入门

收到 PR 评论别冲动回怼——这个 Skill 教 AI 3 步按优先级响应反馈,避免 ego 化沟通。

这是什么?解决什么问题?

receiving-code-review 是 obra/superpowers 项目下的代码审查配套 Skill,关注 “收到反馈后如何响应” 这个常被忽略、但严重影响团队协作的话题。

与之配套的 requesting-code-review 关注“发起 review”,而 receiving-code-review 关注“接住 review”。它解决几个真实问题:

• 过度辩护:开发者本能地想解释自己的代码是对的,导致 review 变成辩论;
• 不分优先级:把 nit 级排版问题当成 blocker 处理,浪费精力;
• 缺失验证:不验证 reviewer 的建议是否真的更好就直接改;
• 情绪化表达:"我不同意" "你的建议不 work",把技术讨论变成人身攻击;
• 无 follow-up:改完不告诉 reviewer,reviewer 不知道状态。

receiving-code-review 把这些“健康的 PR 文化”沉淀成 Agent 提示词,核心方法论是:

1. 逐条分类:agree / partially agree / disagree / need more info;
2. 技术评估:对每条建议做 evidence-based 评估,不是凭感觉;
3. 优先级排序:blocker / critical → 必改;major → 改;minor → 看时间;nit → 可不改;
4. 透明沟通:把每条评论的处理结果以表格形式回复;
5. 后续动作:commit 引用、跑测试、回 review 状态。

适合使用 Claude Code / Cursor 等 AI 工具的开发者、Tech Lead、想改善团队 PR 文化的工程经理。

准备工作

1. AI 编程 Agent:Claude Code 体验最佳,Cursor 也支持。
2. Git 仓库:有 PR 评论最好,没有的话可以拿历史 PR 练手。
3. Node.js ≥ 18:可选,本 Skill 主要靠提示词。
4. gh CLI:用 gh pr view --comments 拉评论,Skill 提示 Agent 用此获取反馈。

3 步快速上手

第 1 步:克隆 superpowers 仓库

git clone https://github.com/obra/superpowers.git
cd superpowers
ls skills/receiving-code-review

第 2 步:让 Agent 加载 Skill

CLAUDE.md:

# CLAUDE.md
When I paste PR review comments or ask you to address review feedback,
invoke the receiving-code-review skill from obra/superpowers. Process
each comment with the "agree / partially / disagree / need info"
matrix and reply in a structured table.

第 3 步:用 Skill 跑一次反馈处理

这是 PR #142 的 review 评论,一共 5 条,请你用 receiving-code-review Skill 帮我处理:

1. (blocker) 这个函数没有处理 null 情况,会 NPE。
2. (major) 用 useMemo 包装一下,避免每次 render 都重算。
3. (minor) 变量名 d 含义不清,改成 dayCount。
4. (nit) 文件末尾少一个空行。
5. (suggestion) 考虑用 zod 做参数校验。

Agent 会按 Skill 模板输出:

## Review Response — PR #142

| # | 评论 | 我的处理 | 状态 | Commit |
|---|------|----------|------|--------|
| 1 | null 处理 | agree,加显式 null check | fixed | abc123 |
| 2 | useMemo | disagree,实测 5ms 内,加 useMemo 反而更慢(perf 截图见评论) | wontfix |  |
| 3 | 变量名 | agree,改为 dayCount | fixed | def456 |
| 4 | 空行 | agree,顺手改 | fixed | def456 |
| 5 | zod | partially agree,本文件不加(zod 已在 entry 层),加注释说明边界 | wontfix |  |

## Why I disagree on #2
- 实测 performance: 10k 次 render, average 1.2ms
- useMemo 自身 overhead ≈ 0.05ms,但增加了 GC 压力
- 因此“优化”反而是负收益,加 perf 标记注释

## Next steps
- Push commits abc123 + def456
- Re-request review

常见踩坑

1. 不分类就回复:"我同意" 然后过,Skill 强调每条都要有 explicit disposition。
2. disagree 没证据:Skill 强制要求 disagree 必须带 evidence(perf 截图、文档链接、测试结果)。
3. 改完不 commit 引用:reviewer 看不到哪个 commit 修了他提的评论,Skill 提示 commit message 引用 PR 评论 ID。
4. nit 也要 follow-up:很多人忽略 nit,导致 lint 配置越积越多,Skill 提示统一处理。
5. 没跑测试就 push:Skill 提示改完先跑测试再 push。
6. 忘 re-request review:reviewer 不知道你改完了,Skill 强调 gh pr ready + 重新 @。

初级用法

1. 处理单条评论

reviewer 说我的代码应该用 useCallback,请用 receiving-code-review Skill 帮我判断是否要改。

2. 处理一批评论

这是 PR 上 7 条 review 评论,逐条评估并回复。

3. 帮同事改

这是我同事 PR 上的 3 条 review,我想帮他改一下,请你先帮我评估哪些值得改。

高级玩法

1. 与 requesting-code-review 闭环

requesting-code-review 是发起 review,receiving-code-review 是接 review,Skill 提示两者配合形成 PR 流程标准。

2. 沉淀 review-pattern 学习

用 continuous-learning Skill 把”哪些评论总被提”沉淀下来,避免下次再犯。

3. 团队 PR 文化

把 Skill 模板(severity 分类、disagree 举证)做成 PR template,所有人共享。

4. 自动化 reply 草稿

gh pr view 142 --json comments \
  | claude --skill receiving-code-review --draft-reply

小技巧

• disagree 是技术决策,不是面子:用 evidence 说话,reviewer 多数会被说服。
• nit 也修:修 nit 是对 reviewer 时间的尊重。
• commit 引用 review comment ID:例如 fix: handle null (review #1),可追溯。
• 同意也要 push 改动:别只在评论里说 “I’ll fix”,要看到 commit。
• 用 gh pr ready:draft → ready 让 reviewer 收到通知。

常见问题 FAQ

Q1: receiving-code-review 适合哪些编程语言?

A: receiving-code-review 通常支持主流编程语言(Python、JavaScript/TypeScript、Java、Go、C++、Rust 等)。支持程度因语言而异:Python/JavaScript/TypeScript 最佳,小众语言(如 Haskell、Elixir)可能较弱。

Q2: receiving-code-review 生成的代码可以直接用吗?

A: 简单的 CRUD、工具函数、单元测试可以直接用;复杂的业务逻辑、算法实现需要人工 review。永远不要盲目复制 AI 生成的代码——先理解再使用。

Q3: receiving-code-review 怎么收费?

A: 通常分免费版(基础功能,有限次数)、付费版(高级模型、无限次数、团队协作)。个人开发者 Pro 版约 $10-20/月,企业版 $30-50/用户/月。具体以 https://github.com/obra/superpowers 定价为准。

Q4: receiving-code-review 会上传我的代码到云端吗?有隐私问题吗?

A: 大部分 AI 编程工具会保存你的代码用于服务提供(模型推理)和模型改进(除非关闭)。敏感代码(企业核心、商业秘密)建议:1) 使用本地部署版本;2) 关闭”使用我的代码改进模型”选项;3) 考虑企业版(有更强隐私保护)。

Q5: 怎么让 receiving-code-review 生成更高质量的代码?

A: 关键技巧:1) 写清晰的 prompt,说明输入输出和约束;2) 提供代码示例(让 AI 学习你的风格);3) 拆分任务,不要一次生成太多;4) 用 TODO 注释让 AI 补充具体实现;5) review + 单元测试保证质量。

进阶学习建议

如果想进一步用好 receiving-code-review,建议按以下路径学习:

第 1 周:熟练使用

• 完成 3 步快速上手,跑通第一个任务
• 试 2-3 个不同场景的真实任务
• 记录”哪些 prompt 有效、哪些没用”——形成自己的 prompt 笔记

第 2 周:理解机制

• 阅读 Skill 的官方文档(README、SKILL.md)
• 了解 Skill 的”触发关键词”和”输出格式”
• 学习”如何用更具体的描述触发 Skill”

第 3-4 周:组合使用

• 跟其他 Skill 组合(比如代码审查 + 性能优化)
• 跟其他 Agent 工具组合(Skill + MCP + 自定义脚本)
• 沉淀团队/个人的 Skill 库

长期:贡献社区

• 把自定义的 Skill 开源到 GitHub
• 提 PR 改进现有 Skill
• 写使用心得分享到 CSDN/掘金/知乎

推荐资源:

• 官方文档:https://github.com/obra/superpowers
• 官方仓库 README 里的 Examples
• 社区最佳实践:Anthropic 官方博客 https://www.anthropic.com/blog
• 国内社区:CSDN AI 板块、掘金 AI 板块

避免的坑:

• 不要装太多 Skill(超过 10 个会拖慢 Agent)
• 不要把 Skill 装在不兼容的 Agent 上
• 不要直接复制 Skill 默认 prompt——要根据项目调整
• 定期 review Skill 库的实用性,清理不用的

参考链接

• obra/superpowers 仓库:https://github.com/obra/superpowers
• receiving-code-review 子目录:https://github.com/obra/superpowers/tree/main/skills/receiving-code-review
• 配套的 requesting-code-review:https://github.com/obra/superpowers/tree/main/skills/requesting-code-review
• Conventional Comments(评论严重性分级):https://conventionalcomments.org/
• GitHub PR 评审流程:https://docs.github.com/en/pull-requests/collaborating-with-pull-requests/reviewing-changes-in-pull-requests/about-pull-request-reviews
• gh CLI 文档:https://cli.github.com/manual/
• 谷歌工程实践 — Code Review:https://google.github.io/eng-practices/review/
• Mozilla Code Review 指南:https://firefox-source-docs.mozilla.org/code-quality/coding-style/coding_style_review.html

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。