El revisor de código de Alibaba ejecuta primero reglas deterministas y consulta al modelo después

Un agente de código de propósito general al que se le pide revisar un changeset grande se comporta como alguien a quien le encargan corregir un libro para el viernes. Empieza con aplicación, encuentra un ritmo y en algún punto del capítulo cuatro empieza a hojear. El resultado cubre a fondo el primer tercio del diff, menciona dos cosas en el medio y declara limpio el resto.
Open Code Review, que Alibaba abrió este mes tras dos años como herramienta interna y que ronda las 51,000 estrellas en GitHub, parte de una observación: ese fallo es de arquitectura, y tocar el prompt no lo arregla.
Tres fallos que el equipo nombra
El README es inusualmente directo sobre qué falla en el enfoque de agente general.
Primero, la cobertura incompleta. Con changesets grandes, los agentes revisan algunos archivos y omiten otros, y en un bucle guiado por lenguaje no hay mecanismo que garantice que cada archivo se mire.
Segundo, la deriva de posición. Los problemas reportados a menudo no coinciden con la ubicación real del código, y los números de línea y las referencias de archivo se corren. Quien haya aplicado comentarios de un agente conoce esto: el comentario acierta con el bug y falla con el sitio.
Tercero, la calidad inestable. Las habilidades en lenguaje natural son difíciles de depurar, y la calidad de la revisión se mueve bastante con variaciones pequeñas del prompt. Eso vuelve la herramienta imposible de certificar y difícil de confiar dentro de una compuerta.
El diagnóstico en una frase: una arquitectura puramente guiada por lenguaje no tiene restricciones duras sobre el proceso.
Lo que sacó del modelo
El diseño divide el trabajo. Todo lo que no puede salir mal lo maneja código corriente. Todo lo que exige criterio va al agente.
La selección de archivos es determinista. El código decide qué archivos entran en el alcance y cuáles se filtran, así nada importante se salta por razones que el modelo no sabe explicar.
El agrupamiento es determinista. Los archivos relacionados forman una sola unidad de revisión, y el ejemplo del README es el útil: `message_en.properties` y `message_zh.properties` van juntos, porque una clave añadida en uno y olvidada en el otro es justo el bug que un revisor archivo por archivo se pierde. Cada paquete corre como un subagente con contexto aislado, y de ahí la estabilidad en changesets gigantes y el paralelismo sin coordinación.
El emparejamiento de reglas es determinista. Las reglas se asocian a las características de cada archivo mediante un motor de plantillas, en lugar de describirlas en prosa y esperar que el modelo las recuerde. El beneficio declarado: la atención del modelo se queda en las reglas que aplican y no recorre un manual entero.
Dos módulos viven completamente fuera del agente: uno posiciona los comentarios y otro los revisa después. Ambos existen porque un modelo que escribe un comentario no es fiable sobre dónde va ese comentario, y pedirle comprobar su propia colocación funciona mejor como pasada separada que como instrucción dentro del prompt principal.
El agente conserva las partes que piden decisión: qué contexto traer, qué herramientas llamar, cómo redactar un hallazgo. Su conjunto de herramientas se destiló de trazas de llamadas de producción en Alibaba, incluidas distribuciones de frecuencia y cuántas veces se repitió cada herramienta, una base más empírica que la suposición habitual sobre lo que un revisor podría necesitar.
Los números y el intercambio que esconden
El benchmark se llama AACR-Bench: 50 repositorios de código abierto populares, 200 pull requests reales, 10 lenguajes de programación, más de 80 ingenieros sénior y 1,505 problemas anotados como referencia.
Frente a un agente general con el mismo modelo de base, Alibaba reporta precisión y F1 bastante más altos, cerca de un noveno de los tokens y una ejecución más rápida. La tasa de recall es menor.
Esa última cláusula es la frase más honesta del README, y cambia para quién es la herramienta.
La precisión es la proporción de problemas reportados que son reales. El recall es la proporción de defectos reales que se encuentran. Un revisor ajustado a precisión habla poco y suele acertar. Uno ajustado a recall hace ruido y suele encontrar más.
Para una compuerta de CI en un repositorio con mucho tráfico, la precisión es el objetivo correcto. Un bot que comenta cuarenta veces en un pull request con once problemas reales queda silenciado en una semana, y un bot silenciado tiene recall cero, dé igual su puntuación en el benchmark. El equipo hizo el intercambio que mantiene la herramienta encendida.
Para una auditoría de seguridad de código desconocido, el intercambio está mal. Ahí quieres al revisor ruidoso. Por eso existe `ocr scan` como modo aparte, que revisa archivos completos en vez de un diff, y por eso la prioridad a la precisión debe leerse como una afirmación sobre pull requests y no como un veredicto sobre la revisión de código en general.
Instalarlo
La herramienta es un CLI llamado `ocr`.
npm install -g @alibaba-group/open-code-review
ocr config provider
ocr config model
La configuración recorre la elección de proveedor, la entrada de la clave y una prueba de conectividad. Luego, desde un repositorio:
ocr review # staged, unstaged, untracked
ocr review --from main --to feature-branch # merge-base range
ocr review --commit abc123
ocr scan --path internal/agent # whole files, no git history needed
ocr review --format json --output result.json
Las revisiones largas se pueden interrumpir y retomar con `ocr session list` y `--resume`, algo que importa cuando apuntas esto a un monorepo. Hay un visor de sesiones en el navegador para reproducir una revisión y marcar comentarios como corregidos o ignorados.
La decisión de diseño que más me interesa es el modo delegation. En el modo por defecto, OCR llama al modelo por su cuenta con su propia configuración de proveedor, separada de tu suscripción de Claude Code. En modo delegation, OCR sigue haciendo la selección de archivos y la resolución de reglas, y entrega la revisión real al modelo y la autenticación de tu agente de código. Sin clave de API aparte.
Es una lectura afilada de dónde está el valor. El andamiaje es el producto. El modelo es una mercancía que quizá ya estés pagando.
Por qué esto importa más allá de la revisión de código
Quita lo específico y la arquitectura es una respuesta general a un problema general: los modelos de lenguaje son poco fiables en trabajo exhaustivo, con orden y posición exacta sobre entradas grandes, y fiables al juzgar dentro de un contexto acotado.
Todos los pipelines de contenido que he visto fallar han fallado igual. A un agente se le pide comprobar veinte imágenes de producto por cumplimiento de marca, revisa once y escribe un resumen confiado. A otro se le pide localizar cuarenta cadenas, se salta cuatro y reporta éxito. El fallo está en la cobertura, y la cobertura es justo lo que aporta una capa determinista.
El patrón que conviene copiar es la división: enumerar en código, juzgar en el modelo y verificar otra vez en código la posición de la salida. Alibaba lo aplicó a diffs. Los mismos tres pasos valen para una carpeta de recursos generados, un lote de páginas traducidas o una hoja de cálculo de declaraciones.
Hay un costo, y es la razón por la que casi ningún equipo lo hace. El andamiaje determinista se escribe por dominio. Las reglas de agrupamiento para archivos properties de Java no sirven de nada en una carpeta de imágenes de producto, y el módulo de reflexión que corrige la colocación de comentarios no tiene equivalente en un pipeline de traducción. La ingeniería no se transfiere. El patrón sí.
Lo que voy a mirar
Dos cosas el próximo trimestre.
Si el conjunto de reglas se mantiene al día. Un motor de reglas con plantillas es estable justamente porque es explícito, y las reglas explícitas se pudren. La regla que atrapa un patrón de NPE en código Java 17 puede ser ruido en código Java 25. La estabilidad comprada con hardcoding trae una factura de mantenimiento.
Y si la prioridad a la precisión aguanta fuera del código de Alibaba. Un revisor ajustado con una década de convenciones internas se verá fino en esas convenciones. La pregunta abierta, y la que la comunidad responderá rápido, es cómo se comporta con código escrito por gente que nunca leyó la misma guía de estilo.
Artículos relacionados
Nvidia financia a quien le compra: el bucle de 99.000 millones
Financias al comprador, el comprador compra tu producto y los ingresos se componen. El problema aparece en el borde del bucle.
El 74% de margen bruto tiene fecha de caducidad
Un punto de margen bruto son 3.000 millones al año. Tres puntos, 9.000. Y las tres fuerzas que los presionan llegan a la vez.
175.000 firmas no lo devuelven al cargo. Esto sí podría.
La campaña del regreso se presenta como lealtad contra gobernanza. En realidad es un referéndum sobre cuánto vale un fundador.
Nvidia nunca construyó un banquillo, y ese es el hallazgo
La empresa pasó treinta y tres años sin construir un banquillo. El precio de esa omisión llegó en una sola semana, con un 25% de descuento.