有一类工作是单个 AI 代理会悄然失败的：大型、多步骤的清理工作，其中一个错误的假设会在数十次编辑中累积放大。我的答案是混合 AI 代码审查 —— 两个不同的前沿模型在循环中协作，一个负责构建，一个负责审查 —— 上周，它在一个下午就将一个混乱的 SwiftUI 原型变成了零 App Store 阻碍的状态，而我一行代码都没写。
这两个模型分别是担任工程师角色的 Claude Opus 4.8 和担任审查员角色的 Codex (GPT-5.5)，它们通过我的 AI 桥接器处理每一个任务，直到通过真实的构建。根据我的经验，这种混合 AI 代码审查设置始终优于任一模型单独工作，而这次运行是最清晰的证明。以下是它的确切工作方式。
从计划开始，而不是凭感觉
你不能直接给代理一个“让它达到生产就绪”的指令。那样只会得到自信满满的胡言乱语。
所以我从计划开始。我让 Claude 克隆仓库（一个名为 Kiddays 的简易记忆 iOS 应用），利用并行子代理阅读*整个*代码库，并生成一份生产就绪性审计：39 个具体项目 —— 9 个严重的 App Store 阻碍项，其余为高和中等级别。每个项目都包含文件、行号、工作量估算和拟议的修复方案。
这份审计成为了 `PRODUCTION_READINESS.md` —— 一个带有 `- [ ]` 复选框的 markdown 清单，按阻碍项优先排序。只有一个文件，作为单一事实来源。其中的每个任务都是小规模、具体且*可验证*的。最后一个词很重要：如果你不能勾选一个框并证明它，那它就不是任务，只是愿望。
混合 AI 代码审查循环，逐步解析
我在一个自定进度的循环中运行了整个流程（Claude Code 的 /loop 模式）。每次迭代处理一个任务，或一组紧密相关的任务，并始终遵循相同的节奏。
五步节奏
bash codex exec --sandbox read-only -o /tmp/answer.txt <<'PROMPT' Pair-reviewing a fix for this SwiftUI app. Here are the files... Recommend the idiomatic iOS 17 approach, flag pitfalls, validate the diff. PROMPT
然后循环再次启动，一次又一次，持续数小时，无需人工值守。混合 AI 代码审查的全部意义在于，这个循环可以在没有我照看的情况下运行 —— 是构建结果，而不是我的注意力，在控制每一步。
为什么两个模型胜过一个
魔力不在于任何一个单独的模型 —— 两者都很出色，我之前也写过 Claude Opus 4.8 在我自己的代码库上胜过 Codex→。魔力在于它们有不同的盲点，而且一个没有编写代码的审查员不会对差异投入自尊心。
让这套设置物有所值的捕获点
这次运行中的一些真实时刻：
这就是形式盖章与真正审查之间的区别。Codex 会反驳某些内容；Claude 会整合好的反驳并为其余部分辩护。在两个不共享大脑的模型之间的边界上，差异变得更好 —— 这正是 受控代理工作流→ 背后的全部理念：结构化的交接胜过一个模型自言自语。
诚实的部分：代理会挂起，所以要建立看门狗
有两次，Codex CLI 卡住了我 —— 不是在思考过程中，而是在关闭时，因为其后台 MCP 服务器未能干净地关闭。在进程死寂了几分钟后，我亲自追踪了第一次停滞，发现源于 MCP 引导过程。在无人值守的循环中，一次挂起就会停滞一切。
解决方案是一个强力的看门狗：每次咨询周围都有一个杀死计时器，并且完全禁用该调用的 MCP（`-c mcp_servers={}`），这样就没有东西可挂起。循环检测到停滞，杀死了僵尸进程，获取已经写入的答案，然后继续运行。“没有任何东西会卡住”在自主工作中不是一项锦上添花的功能 —— 它是整个游戏的关键。
结果
剩下的只是没有任何模型能为你完成的工作：在 App Store Connect 中创建应用内购买产品、搭建真实的后端、让律师签署隐私政策。每一项都在清单中标记了确切的需求。
方法与来源
这是对我自己的 Kiddays 代码库进行一次真实运行的第一手记录。审查员是 Codex CLI (GPT-5.5)；模型到模型的交接使用了我的开源 ai-collab-bridge 技能。iOS 特定的决策对照了 Apple 自己的 StoreKit、SwiftData 和文件保护文档 —— 更重要的是，在我宣布完成之前，每一个更改都通过了从头开始的干净 `xcodebuild` 确认。我不是在报告模型声称的内容；我是在报告实际编译通过的内容。
结论：是一个团队，而不是助手
在我依赖混合 AI 代码审查的项目中，解锁的关键从来不是“找到那个能做一切的模型”。而是一个栈：
一个模型编写代码是一个助手。两个模型针对一个可以说“不”的构建相互审查，开始看起来像一个团队 —— 而在这次运行中，那个团队在我旁观时交付了 39 个生产环境修复。