Как мы используем Claude для code review в production

Шесть месяцев назад мы начали эксперимент: интегрировали Claude как обязательного участника code review на всех наших проектах. Результаты превзошли ожидания — и не только в скорости.

Почему AI для code review?

Традиционный code review имеет несколько проблем, которые AI решает принципиально иначе:

• Скорость: AI ревьюит PR за секунды, а не за часы. Разработчик получает первичный фидбек моментально.
• Консистентность: AI не устаёт, не торопится перед дедлайном, всегда проверяет одинаково тщательно.
• Обучение: Джуниоры получают детальные объяснения прямо в PR, вместо сухого «исправь».

Архитектура интеграции

Мы используем Claude через API с кастомным GitHub Action. Архитектура простая, но продуманная:

# .github/workflows/ai-review.yml
name: AI Code Review
on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: AI Review
        run: |
          node scripts/ai-review.js \
            --model "claude-sonnet" \
            --context "full-repo" \
            --output "github-comments"

Ключевой момент — мы передаём контекст всего репозитория, а не только diff. Это позволяет Claude понимать архитектуру проекта и давать более глубокие рекомендации.

Кастомные правила

Мы создали набор правил, специфичных для каждого проекта. Claude проверяет не только качество кода, но и соответствие архитектурным решениям:

const reviewConfig = {
  rules: [
    "Server Actions must validate input with zod",
    "No direct DB queries in components",
    "All API routes must have rate limiting",
    "Error boundaries on every page",
  ],
  severity: {
    security: "blocking",
    performance: "warning",
    style: "suggestion",
  },
  maxComments: 15,
};

Результаты за 6 месяцев

Метрики говорят сами за себя:

Среднее время от открытия PR до первого ревью снизилось с 4.2 часов до 12 секунд. При этом качество ревью выросло — AI находит баги, которые люди пропускают.

• Время до первого ревью: 4.2 часа → 12 секунд
• Баги, пойманные на ревью: +340% (AI находит паттерны, которые люди пропускают)
• Время человеческого ревью: -60% (ревьюер фокусируется на архитектуре, а не на мелочах)
• Удовлетворённость разработчиков: 4.6/5 (опрос команды)

Подводные камни

Не всё было гладко. Вот что мы узнали:

1. False positives в первый месяц

Claude иногда предлагал изменения, которые ломали существующее поведение. Решение — добавить контекст тестов в промпт. Теперь AI видит, какие тесты покрывают изменяемый код.

2. Привыкание разработчиков

Некоторые разработчики начали слепо принимать все предложения AI. Мы ввели правило: каждый комментарий AI нужно осознанно принять или отклонить с пояснением.

3. Стоимость

API-вызовы с полным контекстом репозитория стоят денег. Для нашего объёма (около 40 PR в неделю) затраты составляют ~$200/месяц. ROI — многократный, учитывая сэкономленное время senior-разработчиков.

Что дальше

Мы работаем над следующей итерацией: AI не только ревьюит код, но и автоматически создаёт тесты для обнаруженных edge cases. Первые результаты обнадёживающие — покрытие тестами выросло на 25% без дополнительных усилий разработчиков.

Если хотите внедрить подобную систему в свою команду — напишите нам. Мы помогаем настроить AI-процессы под конкретные нужды.