AI peer review för Claude Code är nu en gratis open source-färdighet. Den låter Claude, Codex och Gemini granska varandras kod genom CLI-överlämningar – med ett strukturerat utlåtande, fynd per fil:rad och ett ärlighetsavtal inbakat i svarsformatet. Färdigheten heter `ai-collab-bridge`. Den är MIT-licensierad. Installeras på 30 sekunder. Jag testade den på macOS arm64; bash-skripten är portabla till Linux.
TL;DR
Installera färdigheten för AI peer review på 30 sekunder
bash git clone https://github.com/owgit/ai-collab-bridge ~/.claude/skills/ai-collab-bridge chmod +x ~/.claude/skills/ai-collab-bridge/scripts/*.sh ~/.claude/skills/ai-collab-bridge/scripts/doctor.sh
Skriptet `doctor.sh` verifierar dina färdighetsfiler, erforderliga verktyg och varje AI CLI (Claude, Codex, Gemini) i ett svep. Exit-koden motsvarar antalet misslyckade kontroller. Om något är trasigt berättar utdata exakt vilket kommando som åtgärdar problemet. I mina tester på en färsk macOS-installation tog hela verifieringen under två sekunder.
Starta sedan en ny Claude Code-session – färdigheten för AI peer review upptäcks automatiskt – och trigga den med något i stil med *"use the AI Collab Bridge to review my latest commit."*
Hur AI peer review faktiskt fungerar
Protokollet är litet nog att få plats i ett stycke. Implementeraren – vilken AI som just avslutat arbete – scenerar ett paket. Paketet är en enda markdown-fil med en sammanfattning, fokusfrågor, diffen och fillistan. Implementeraren anropar sedan granskarens CLI med detta paket insvept i en mall för granskningsbegäran. Granskaren läser paketet och svarar.
Scenera ett paket (implementerarsidan)
bash SUMMARY="Brief description of the change" \ QUESTIONS="Anything you want focused on" \ ~/.claude/skills/ai-collab-bridge/scripts/stage-packet.sh main > /tmp/packet.md
Detta producerar en markdown-fil med allt granskaren behöver: din sammanfattning, dina fokusfrågor, `git diff --stat` och den fullständiga diffen mot `main`.
Distribuera AI peer review
bash ~/.claude/skills/ai-collab-bridge/scripts/request-review.sh codex /tmp/packet.md
eller claude / gemini — samma form, annat mål
Skriptet sveper in ditt paket i mallen för granskningsbegäran, skickar det till mål-AI:ns CLI och skriver ut det strukturerade svaret.
Svarsformatet
Varje svar från AI peer review följer samma mall med fem avsnitt:
Den sista punkten är den som överraskade mig när jag först designade detta. I min erfarenhet är det mest värdefulla avsnittet i vilken kodgranskning som helst det där granskaren tvingas avslöja vad de inte tittade på. Utan det kan du inte avgöra om ett `APPROVE` betyder "Jag kontrollerade allt och det är okej" eller "Jag ögna igenom diffen och inget hoppade ut." Med det vet implementeraren exakt var granskarens omfattning slutar. Det är ärlighetsavtalet under varje AI peer review. Protokollet kan inte erzwinga det. Det kan bara göra det svårare att dölja oärlighet.
Benchmarken: 100 % mot 31 % godkännandegrad
Jag körde färdigheten för AI peer review mot vanlig Claude som baslinje. Tre testfall – granskarroll, implementeraröverlämning, onboarding-genomgång – samma prompts, samma modell, med-färdighet kontra utan-färdighet.
| Mått | Med färdighet | Utan färdighet | Delta |
|---|---|---|---|
| --- | --- | --- | --- |
| Godkännandegrad | 100% | 31% | +69 procentenheter |
| Tid | 67 s | 68 s | identisk |
| Tokens | 60 k | 53 k | +14% |
I mina mätningar kostar färdigheten för AI peer review cirka 14 % fler tokens (modellen läser roll-playbooken) och körs med samma hastighet. Billig försäkring för strukturerad, ärlig output.
Meta-momentet: bron granskar sig själv
Efter att ha släppt v0.1 använde jag bron för att granska brons egen nästa commit. Codex fångade två buggar jag hade missat i mitt doctor-skript och probe-logik. Jag fixade båda, släppte v0.2 och körde bron igen. Codex fångade två buggar till. Jag fixade dessa och släppte v0.3.
De fyra buggarna bron hittade i sig själv
Inte stilistiska preferenser, inte fabricerade problem för att se användbara ut. Konkreta saker jag testade efter varje fix:
Ingen av dessa var uppenbar för mig när jag skrev dem. Alla var uppenbara för Codex när den läste diffen kallt, utan min implementeringsbias. Det är hela poängen med AI peer review. Olika tankesätt, olika blinda fläckar, strukturerad överlämning. Arbetet blir bättre och du behöver inte tänka på det.
Vad jag lärde mig om Codex CLI
Det mesta av arbetet med att leverera denna färdighet för AI peer review var inte protokollet. Det var att ta reda på hur man anropar varje AI:s CLI utan att den gör något oväntat.
Codex MCP bootstrap-hängning
När du kör `codex exec` laddas `~/.codex/config.toml` och försöker bootstrap:a alla MCP-servrar du har konfigurerat. Om dessa servrar kräver egen auth (Cloudflare Workers MCP, GitHub Copilot MCP, och så vidare) och du inte har ställt in tokens för icke-interaktiv användning, hänger codex – tyst. I min första granskningsdistribuering hängde processen i tio minuter innan jag spårade tillbaka det till MCP-bootstrap. Fixen är `--ignore-user-config`. Codex CLI har också ett dedikerat underkommando `codex exec review` designat exakt för detta användningsfall, plus en `-o`-flagga som endast skriver agentens slutmeddelande till en fil. Se OpenAI Codex CLI-repot och Codex-dokumentationen för fullständig referens.
npm vendor-binär ENOENT
`@openai/codex` installerad via npm levereras ibland utan sin plattformsspecifika vendor-binär. `which codex` lyckas, men att anropa den misslyckas med en kryptisk Node `ENOENT`-stackspårning som pekar på en saknad arm64-binär. Jag stötte på detta på min egen maskin och fixen är `npm uninstall -g @openai/codex && npm install -g @openai/codex`. Brons `doctor.sh` upptäcker nu exakt detta mönster och presenterar fixen direkt.
Stödda AI CLIs
| AI | Standardanrop | Överskrivande env-var |
|---|---|---|
| --- | --- | --- |
| Claude | `claude -p` | `AI_COLLAB_CLAUDE_CMD` |
| Codex | `codex exec review --ignore-user-config --ephemeral` | `AI_COLLAB_CODEX_CMD` |
| Gemini | `gemini -p` | `AI_COLLAB_GEMINI_CMD` |
Att lägga till en annan AI är en `case`-rad i `scripts/request-review.sh` plus en valfri roll-playbook under `references/`. PRs välkomnas.
Varför AI peer review är viktigt för multi-AI-arbetsflöden
Om du har följt övergången från "AI som autokomplettering" till "AI som samarbetspartner" har du förmodligen redan märkt att nästa flaskhals inte är de enskilda modellerna. Nästa flaskhals är hur modellerna arbetar tillsammans med varandra och med dina verktyg. Det är också vad jag argumenterade för i min checklista för agentredo webbplatser→ – systemen runt modellen är viktigare än modellen själv.
I min egen vardag ser det ut så här:
Utan AI peer review körs dessa arbetsflöden parallellt men isolerat. Varje AI ser bara det som är framför den. Med färdigheten för AI peer review på plats flödar diffarna mellan dem på ett strukturerat sätt, och arbetet multipliceras. Samma mönster dyker upp över vinklar jag skrivit om tidigare – från jämförelsesidan i Claude Code vs Cursor för 2026→, från verktygssidan i hur man bygger en MCP-server med TypeScript→, och från struktursidan i det cross-repo AI-kontextlagret→. Agenterna i din loop behöver rena gränssnitt mot varandra, inte bara rena gränssnitt mot människor.
Prova färdigheten för AI peer review själv
Färdigheten för AI peer review är open source och finns på `github.com/owgit/ai-collab-bridge`.
bash git clone https://github.com/owgit/ai-collab-bridge ~/.claude/skills/ai-collab-bridge chmod +x ~/.claude/skills/ai-collab-bridge/scripts/*.sh ~/.claude/skills/ai-collab-bridge/scripts/doctor.sh
Det finns filerna `AGENTS.md` och `CLAUDE.md` i repo-rooten, så både Codex och Claude Code har explicita ingångspunkter om du pekar dem mot repot kallt. Protokollet fungerar för vilken AI som helst med en CLI – samma paketformat, samma svarsmall, samma tre utlåtanden. I mitt arbetsflöde paras detta naturligt med den säkerhetsgranskning du bör köra→ på din AI-genererade kod. Om du vill bidra är nästa uppenbara steg dokumenterade i repot: erzwinga svarsformatet via `--output-schema`, lägga till stöd för fler CLIs, och bygga reviewer-as-Claude-scenarier utöver de reviewer-as-Codex-sökvägar jag redan testat.
Poängen
Gränserna mellan AI-modeller är konventioner, inte fakta. Vi får bestämma om de ska samarbeta eller tävla. Om du har två AI:er som arbetar på samma kodbas och de inte granskar varandra, lämnar du verkliga buggar i koden. Färdigheten för AI peer review är ett strukturerat sätt att fixa det på. Den är gratis, MIT-licensierad och installeras på 30 sekunder. Ge dina AI:er en kollega.