
Test Claude Code pro code review na reálných diffs
Které dovednosti Claude Code skutečně zlepšují code review? Otestovali jsme je.
Příslib využití Claude Code pro automatizovanou revizi kódu je značný. Místo dalšího linteru získáte partnera, který rozumí kontextu, záměru a nuancím. S rostoucím ekosystémem dovedností však vyvstává praktická otázka: které z nich skutečně fungují? Které z nich zrychlí, prohloubí nebo zpřesní vaše revize? A které jsou jen přehnaná reklama?
Ve SkillProof nepublikujeme seznamy založené na README souborech. Každou dovednost instalujeme a spouštíme na reálném úkolu. Z 2172 dosud testovaných dovedností jich 1338 prošlo (62 %), 725 vyžadovalo manuální nastavení a 109 obdrželo hodnocení „selhalo“ – buď proto, že je nebylo možné spustit v dodané podobě, nebo protože jejich výstup byl horší než u základního modelu Claude. U každé z nich zveřejňujeme verdikt a poznámky z testu.
Tento článek zkoumá několik dovedností Claude Code pro code review, které jsme testovali. Je klíčové porozumět naší metodice: tyto dovednosti nebyly testovány proti sobě v přímém souboji. Nebyla použita žádná sdílená kódová báze ani jednotný žebříček. Každá dovednost byla testována nezávisle, na vlastním dedikovaném testovacím přípravku (fixture) a v různou dobu. Porovnáváme, čeho dovednost dosáhla ve svém testu, s tím, co na stejném přípravku dokázal základní model Claude. Naše hodnocení z 10 bodů je založeno na čtyřech zveřejněných kritériích: instalace, spuštění, výstup a dokumentace. Kompletní podrobnosti si můžete přečíst na naší stránce o metodice.
Dovednosti, které vynucují metodiku revize
Některé z nejefektivnějších dovedností nejen hledají chyby; vnucují revidujícímu systematický proces. Mění ad-hoc kontrolu v opakovatelnou, auditovatelnou disciplínu. To je významný posun oproti pouhému požadavku na základní model, aby „našel problémy v tomto kódu“.
Jednou z nejlépe hodnocených dovedností v našem katalogu je Before You Refactor, která získala 10/10. Vynucuje přísný checklist před refaktoringem: dvakrát přečíst kód, najít a spustit existující testy, stanovit cíl jednou větou a – co je nejdůležitější – přidat charakterizační test pro jakékoli chování, které ještě není pokryto. V našem testu tento proces odhalil skutečnou regresi, kterou zanesl naivní refaktoring. Archivovaný záznam si tiše nárokoval deduplikační ID, což způsobilo, že pozdější aktivní záznam byl zahozen. Naivní přepis prošel všemi pěti existujícími testy; chybu odhalil pouze příkaz dovednosti přidat nový charakterizační test pro netestované chování.
Doubt-Driven Review (9.2/10) nabízí jiný druh struktury. Nutí revidujícího do explicitní smyčky CLAIM -> CONTRACT -> adversarial-findings. Testovali jsme ji na reálném produkčním scénáři zahrnujícím odstranění sloupce v databázi. Základní model poskytl slušný ad-hoc bezpečnostní checklist. Dovednost však strukturovala revizi tak, aby odhalila mezeru v chybějící záloze a mezní případ soupeření o zámky pod zátěží (lock-contention-under-load), na který základní model jen naznačil. Konečným výstupem byl auditovatelný verdikt „přepracovat, zatím neschvalovat“.
V této kategorii jsme také sami vytvořili jednu dovednost. Review Discipline (9.2/10) je naše vlastní open-source dovednost (zdroj Skillproofdev/review-discipline) a musíme uvést, že byla testována podle stejného protokolu jako všechny dovednosti třetích stran. Vynucuje přísné pořadí operací: přečíst celý diff, vyčerpávajícím způsobem hledat všechny anomálie a teprve poté je ověřit pomocí demonstrované cesty k selhání. Na benchmarku s 21 nasazenými chybami naše dovednost odhalila 18,5 (88 %) oproti 17 (81 %) u neřízeného základního modelu, s nulovými falešně pozitivními nálezy. Více o tom, co vám Review Discipline skutečně přinese, si můžete přečíst v našem podrobném článku.
Systematické checklisty pro hledání chyb
Běžný typ dovednosti s checklistem pro revizi kódu v Claude Code poskytuje strukturovanou sadu otázek k položení ohledně části kódu, pokrývající oblasti, na které by lidský revidující mohl zapomenout. Jsou to více než jen prompty; jsou to samostatné metodiky.
Code Review Checklist získal silných 9.6/10. Spustili jsme ho na snippetu s dvěma endpointy v Express.js. Naivní základní revize odhalila zjevnou zranitelnost SQL injection. Systematický checklist dovednosti však odhalil čtyři další kritické nálezy, které základní model zcela přehlédl: Insecure Direct Object Reference (IDOR) na routě pro objednávky, neautentizovaný endpoint pro reset hesla, ukládání hesel v plaintextu a chybějící omezování počtu požadavků (rate limiting). Hodnocení 9.6 je dáno ztrátou jednoho bodu v kritériu výstupu v naší čtyřdílné rubrice.
Pro vývoj API provede API Design Reviewer (8.4/10) implementaci pevným 10-sekčním checklistem, který pokrývá vše od autentizace a návrhu zdrojů po stránkování a idempotenci. Na záměrně nedbale napsaném souboru se 4 routami v Expressu základní revize odhalila nejkřiklavější problémy. Strukturovaný přístup dovednosti navíc odhalil problémy s verzováním API, chybějící handler pro idempotency-key u POST endpointu a chybějící omezování počtu požadavků (rate limits), a vše zabalil do reportu s prioritami P0-P3.
Specializované dovednosti pro specifické domény
Revize pro obecné účely jsou užitečné, ale někdy potřebujete odborné znalosti v konkrétním frameworku nebo problémové doméně. Několik dovedností poskytuje tuto zaměřenou analýzu. Ne vždy překoná obecnou revizi na stejném kódu, ale mění, co se kontroluje a jak jsou nálezy hodnoceny.
| Dovednost | Skóre | Hlavní síla | Testovací doména |
|---|---|---|---|
| React Senior Code Review | 9.6/10 | Architektonické a A11y problémy | React (.tsx) |
| Fortify Change Review | 9.2/10 | Mapování změn na pravidla Fortify | Java (Bezpečnost) |
| Concurrency Review | 8.0/10 | Checklist pro bezpečnost ve vícevláknovém prostředí | Java (Souběžnost) |
React Senior Code Review (9.6/10) je ukázkovým příkladem. Zaměřuje se na architekturu React komponenty – strukturu, datový tok, výkon – nejen na linting. Když jsme ji testovali na záměrně neuklizené komponentě TodoList.tsx, správně eskalovala přepínač řádku ovládaný pouze myší na KRITICKÝ, protože uživatelé s klávesnicí s ním nemohli vůbec interagovat. Toto je posouzení závažnosti, které nezaměřená základní revize zcela přehlédla. Každý nález, který vytvořila, obsahoval odkaz na soubor a řádek, závažnost odpovídající rubrice a reálný kódový snippet s opravou.
Pro týmy zaměřené na bezpečnost v Javě Fortify Change Review (9.2/10) mapuje změnu kódu na relevantní bezpečnostní kontroly Fortify. Testovali jsme ji na souboru UserRepo.java s nastraženou SQL injection a neautentizovanou administrátorskou routou. Správně označila jak zjevnou ORDER BY injection, tak druhý, subtilnější bod pro injection v DELETE řetězci, který by mnoho revidujících přeskočilo. Každý nález byl vydán se souborem, číslem řádku, cestou útoku a kategorií Fortify, připravený k triáži.
Univerzální a nástroji rozšířené dovednosti
Některé dovednosti se snaží být komplexním, jednorázovým nástrojem pro automatizovanou revizi kódu s Claude Code, často integrací s lokálními vývojářskými nástroji jako git.
Code Health Check získal perfektní skóre 10/10. Je důležité zmínit kontext testu: spustili jsme ho na demo aplikaci, kterou autoři dovednosti dodali ve stejném repozitáři – záměrně chybovém Express API. Dovednost fungovala bezchybně, odhalila všech osm nastražených problémů, od SQL injection a zneužití eval() po natvrdo zakódovaná tajemství a mrtvý kód, vše se správnými štítky závažnosti a odkazy na soubor a řádek.
Další silnou dovedností založenou na nástrojích je Review All (9.2/10). Dokáže revidovat necommitnuté změny, rozsah commitů nebo GitHub PR. Jejím klíčovým odlišujícím prvkem je ověření. Během našeho testu její přibalený skript discover.sh fungoval čistě. Odhalila skutečnou chybu command-injection v dočasném diffu (volání child_process.exec s nevalidovaným vstupem) a poté dokázala, že je zneužitelná, generováním proof-of-concept, který zapsal značkovací soubor do /tmp. To je ověřený nález, ne odhad.
I když dovednost najde stejné chyby jako základní revize, její hlavní hodnotou může být struktura. Agentic Code Review (8.8/10) revidovala diff s nastraženou chybou v autentizaci, eskalací oprávnění a surovou SQL injection. Základní textová revize také odhalila všechny tři. Přínosem dovednosti bylo jejich formátování do prioritizovaného seznamu P0-P3, čímž se zeď textu změnila na přehledné, akční nálezy s přesnými odkazy na soubor a řádek, konkrétním kódem pro opravu a spárovaným návrhem na regresní test.
Když dovednosti neprojdou: Selhání a manuální nastavení
Věříme, že zveřejňování selhání je zásadní. Dovednost, která nefunguje ihned po instalaci (out of the box), plýtvá časem vývojáře. Z 2172 dovedností, které jsme spustili, jich 109 obdrželo hodnocení „selhalo“. To ne vždy znamená, že logika dovednosti je špatná. Některé nelze nainstalovat v dodané podobě; jiné se nainstalují v pořádku, ale jednoduše nepřekonají základní model.
Jasným příkladem je Code Review and Quality, která selhala ze dvou důvodů. Prvním je chyba instalace: dokumentovaná instalace zkopíruje složku dovednosti, ale tiše vynechá kořenový adresář repozitáře references/, na který odkazuje soubor SKILL.md samotné dovednosti, takže dva soubory s checklisty se musí ručně zkopírovat. Druhý důvod je ten, který rozhoduje o verdiktu. V A/B revizi záměrně chybného PR větev s dovedností vytvořila dobře strukturovanou revizi s označením závažnosti, ale základní model bez dovednosti odhalil každý problém, který odhalila dovednost, a navíc jeden další, nedeklarovaný router. Dovednost přidala disciplínu ve formátu, nikoli v obsahu, takže oprava balíčku by sama o sobě nezajistila úspěšné hodnocení. Nehalucinovala problémy a jako psaná reference o metodice revize je solidní; jen nepřekonala základní model, který vám schopný agent poskytne zdarma.
Kromě úplných selhání se 725 dovedností dostalo do naší kategorie „vyžaduje nastavení“: fungují, ale pouze po konfiguraci, s doplňkovou dovedností nebo s připojenou integrací, kterou samotná instalace neposkytne. Understand: Diff (8/10) je jednou z takových dovedností a je v tom upřímná – její SKILL.md předem uvádí, že je neaktivní bez znalostního grafu vytvořeného sesterskou dovedností, kterou instalační příkaz nestáhne. Jakmile graf existuje, ospravedlní svou existenci: v našem A/B testu obě větve vytvořily ekvivalentní zprávy o rizicích, ale větev s dovedností provedla kontrolu aktuálnosti a zjistila, že graf předcházel změně MFA při přihlašování, což by způsobilo, že by posouzení dopadu (blast-radius) bylo tiše chybné. Naše poznámky z testů pro každou dovednost vyžadující nastavení zaznamenávají přesné kroky, které jsme podnikli k jejímu zprovoznění.
Nalezení správné dovednosti pro váš workflow
Neexistuje jediná nejlepší dovednost Claude pro code review. Správná volba závisí na potřebách vašeho týmu, vašem technologickém stacku a problému, který se snažíte vyřešit. Dovednost, která vynucuje přísný proces refaktoringu jako Before You Refactor, je neocenitelná pro rozsáhlé změny, zatímco specializovaný nástroj jako React Senior Code Review je lepší pro cílené revize komponent.
Klíčové je vybrat si nástroj, který byl nezávisle ověřen, že funguje tak, jak je inzerováno. Úspěšný verdikt na SkillProof znamená, že se dovednost čistě instaluje, spolehlivě spouští a produkuje výstup, který je na reálném úkolu lepší než výstup základního modelu.
Související články: Doprovodný článek k tomuto aplikuje stejné testování na opravu namísto revize: Dovednosti Claude Code pro debugging a které z nich najdou chybu. Pro širší přehled toho, co prošlo v celé kategorii kódování, viz nejlepší dovednosti Claude pro kódování.
Nalezení správného nástroje pro váš workflow začíná katalogem, který je testuje. Můžete si prohlédnout všechny naše testované dovednosti pro kódování a zobrazit úplný seznam verdiktů a poznámek z testů. Pro ty, kteří se zaměřují na bezpečnost, balíček Security & Code Review Pack sdružuje několik ověřených dovedností za jednorázový nákup v hodnotě 10 $.
★ 9.6/10 × 3
Startovací balíček zdarma
3 skills s nejvyšším skóre z našich testů plus instalační checklist — sestava, kterou bychom nasadili na čistý stroj. Zdarma, e-mailem.