# 1. GitHub Copilot Code Review 的能力边界与工程应用 A 它能完全替代人工 review B 它擅长风格/明显 bug/简单安全检查，但对业务语义与架构判断有限，宜作首审辅助 ✓ 正确答案 C 它只能审查前端代码 D 它的审查意见必须全部采纳
# 2. AI 代码评审（LLM 评审 bot）的"幻觉"风险与约束设计 A AI 评审不存在幻觉 B 通过证据关联、置信度分级、输出约束与人工确认，降低幻觉误报 ✓ 正确答案 C AI 评审意见应全部自动采纳 D 幻觉只影响文本，不影响评审可信度
# 3. AI 代码审查的局限性中架构判断、业务语义理解、跨文件上下文 A AI 在架构判断、业务语义与跨文件上下文上受限，宜交人工审判断性 ✓ 正确答案 B AI 能准确判断架构与业务语义 C AI 审查单文件即可完全替代人工 D 跨文件上下文对审查无影响
# 4. AI 审查的上下文输入设计中如何把仓库规范、领域词汇表、历史缺陷模式注入 AI 审查提示，提升建议的精准度与可执行性？ A 上下文注入越多越好，无需结构化 B 注入仓库规范、领域词汇与历史缺陷模式，可提升审查精准度与可执行性 ✓ 正确答案 C 通用规范即可，无需团队规范 D 历史缺陷模式与审查无关
# 5. CodeRabbit、Greptile、Qodo、Cursor BugBot 等主流 AI 评审工具的定位对比中 PR 摘要、架构图、缺陷检出侧重与成本模型如何选型？ A 所有工具功能相同，随意选 B 成本与选型无关 C 只看宣传指标即可选型 D 应根据 PR 摘要、架构图、缺陷检出侧重与成本模型，结合团队场景做 POC 对比 ✓ 正确答案
# 6. "Agentic Code Review" 与"静态规则 AI 审查"的区别中多轮自省、执行测试或静态扫描后给出结论的能力边界与可靠性？ A 两者完全等价 B Agentic 审查一定比静态规则更可靠 C 静态规则快而浅，Agentic 多轮自省并执行验证而深而慢，应按风险与成本结合使用 ✓ 正确答案 D 静态规则能验证代码实际行为
# 7. "AI 批准不等于人工批准"中 AI 审查通过后仍强制人工 review 的政策设计，如何防止"AI 代审"使流程形式化？ A AI 意见不得作为最终批准，须强制人工 review 并留痕，防止流程形式化 ✓ 正确答案 B AI 审查通过即可合并，无需人工 C AI 审查通过可减轻人工责任 D 人工 review 可采用"秒过"以提升效率
# 8. AI + 人工协作的代码审查流程设计中分工、反馈、迭代 A AI 与人工的分工可随意，无需设计 B 审查流程一经设计就无需调整 C 人工对 AI 的反馈无意义 D 通过明确分工、反馈回流与规则迭代，形成审查-反馈-优化闭环 ✓ 正确答案
# 9. AI 代码审查工具的通知噪声治理中订阅粒度、忽略规则与批量处理 A 通过订阅粒度、忽略规则与批量处理，让 reviewer 只关注高价值通知 ✓ 正确答案 B 通知越多越好，确保不遗漏 C 应把所有 PR 都通知所有 reviewer D 忽略规则会导致漏报，应杜绝
# 10. AI 代码审查的度量中缺陷发现率、误报率、评审效率提升 A 应综合缺陷发现率、误报率与评审效率，用人工确认标记统计 ✓ 正确答案 B 只看缺陷发现率即可 C 误报率无意义，可忽略 D 评审效率无法量化
# 11. AI 代码审查与人工审查的分工中 AI 擅长发现什么（风格/简单 bug/安全模式），哪些必须人工判断（架构/业务语义）？ A AI 能处理所有审查，包括架构 B 业务语义 AI 也能准确判断 C 人工只负责风格检查 D AI 擅长风格/简单 bug/安全模式，架构与业务语义须人工判断 ✓ 正确答案
# 12. AI 审查的误报治理中规则阈值、基线库与审查结果的置信度标注如何降低噪音？ A 误报无法治理 B 置信度标注与误报无关 C 规则越宽泛，误报越少 D 通过规则阈值校准、基线库豁免与置信度分级，可降低审查噪音 ✓ 正确答案
# 13. AI 审查的能力中风格、缺陷与安全建议？ A AI 在风格/缺陷/安全上能力均等且可靠 B AI 能准确判断业务级越权 C AI 在规则化检查上可靠，业务级判断不足，风格可自动采纳、缺陷与安全需人工确认 ✓ 正确答案 D 风格检查也需全部人工
# 14. AI 审查的提示设计中规则与上下文的输入？ A 输入规则、上下文并约束输出格式，可提升审查的精准度与可执行性 ✓ 正确答案 B 提示越简短越好，无需规则 C 上下文只需注入代码，无需规范 D 输出格式无所谓
# 15. AI 审查结果的可复核性中 AI 建议如何附带依据（规则 ID、相似案例、代码行号），作为人工采纳或拒绝的决策支撑？ A 建议附带规则 ID、代码行号、相似案例与依据，支撑人工采纳或拒绝 ✓ 正确答案 B AI 建议无需依据，直接采纳 C 行号对人工决策无帮助 D 无依据的建议也应高置信处理
# 16. 用带标注的历史 PR 缺陷集评估 AI 审查工具的检出率与误报率，如何设计可信的基准评测，避免被厂商演示指标误导？ A 厂商演示指标足以代表真实表现 B 评测一次即可，无需多样化 C 只需看检出率，越高越好 D 用带标注的历史 PR 集计算检出率与误报率，看两者平衡，避免被演示误导 ✓ 正确答案
# 17. AI 审查意见如何映射为 blocking/non-blocking 状态并接入合并门禁，与人工意见的优先级如何合并？ A 按严重度/置信度映射 blocking/non-blocking，人工决策优先，AI 阻断可豁免但留痕 ✓ 正确答案 B AI 意见全部设为 blocking C AI 意见不影响合并门禁 D 人工阻断可被 AI 豁免
# 18. 跨时区团队的 AI 首审中评审队列积压时 AI 审查如何压缩首过时间（first response time），人工如何聚焦高价值意见？ A AI 即时首审并分级，压缩首过时间，人工聚焦高置信/高危意见 ✓ 正确答案 B AI 首审无法压缩响应时间 C 跨时区评审无需 AI，等人工即可 D 人工应逐条处理所有 AI 意见
# 19. AI 审查的隐私与合规中代码上传第三方 AI 服务的脱敏、隔离部署与数据留存政策如何制定？ A 代码可直接上传第三方 AI，无需处理 B 数据留存政策与合规无关 C 所有代码都应上传公有云 AI D 通过脱敏、隔离部署、数据留存条款与访问控制，保障代码隐私合规 ✓ 正确答案
# 20. AI 审查结果如何沉淀为团队规范，从一次性发现到 CI 门禁规则库的转化路径？ A 发现的问题无需沉淀，单独修复即可 B 经人工确认后固化为规则、接入 CI 门禁并写入规范，形成持续防线 ✓ 正确答案 C CI 门禁规则库无法随 AI 审查迭代 D 规范与 CI 门禁无关
# 21. AI 审查的误报治理中阈值与人工复核？ A 阈值越高，误报越少且不漏报 B 通过阈值校准控制报出范围，人工复核兜底并把误报反馈回规则库 ✓ 正确答案 C 人工复核只针对低置信意见 D 误报反馈无意义
