机器人发现分诊工作流

按信号质量路由自动评审发现：高信号类在作者时点修，噪音类直接静音而不是训练人无视。

目标

自动发现赢得信任的方式和人类评审者一样：对得足够多、值得读。按规则度量行动率、静音噪音、把高信号前移到作者时点——机器人的每个打扰都要挣得它的中断预算。全员无视的 bot 订阅是负自动化：花了注意力换不来修复。

步骤要点

按规则度量行动率：跟踪哪些机器人发现导致代码变更、哪些被关闭，算出每条规则或发现类别的行动率。
修整或下线低信号规则：低于行动阈值的规则要么调参、收窄范围、要么关闭，留存下来的每条发现都配得上它的打扰。
高信号发现前移：把稳定被采纳的类别从 PR 评论移到 pre-push 或编辑器时点，作者在中断发生前就修掉。
AI 评审发现做结构化处理：生成式评审评论要求作者显式接受或驳回并给理由，保持信号可度量。
每月审计订阅：按月复核行动率，退役衰减规则、晋升新模式，保持 bot 订阅是信号源。

排错提示

机器人评论基本没人看是行动率塌了，从按规则统计开始清理；一直都对一直都修的规则不是评审发现而是带步骤的构建检查，前移到钩子；AI 评审的泛泛 nit 要收紧提示词，只留可验证的模式与阻断项。

适用边界

行动率低的规则可能因业务上确实不适用而非误报，退役前要人工判断一次；前移到编辑器依赖本地环境一致性，CI 兜底不可撤。

代码示例

action rate (findings acted on / reported, 60d):
  security/sql-injection     91%   keep (PR)
  tests/missing-branch       78%   keep (PR)
  style/line-length          12%   -> moved to editor lint
  complexity/threshold-10     8%   -> raised to 15, scope core
  a11y/contrast-auto          6%   -> disabled (FP 70%)
  ai-reviewer generic nits   14%   -> prompt tightened:
     only blocking + verified patterns

overall action rate: 31% -> 68%
  (feed is now worth reading)