vet

Vet 综合评估

核心用法

Vet是一款针对AI辅助编程场景设计的代码审查工具，其核心价值在于即时验证（verify-everything）。安装verify-everything包后，用户可在每次代码逻辑单元变更后立即调用vet，通过指定--history-loader参数加载当前AI会话历史（支持OpenCode、Codex、Claude Code三种主流环境），让vet同时分析Git diff和对话记录，识别实现与原始需求之间的偏差。

显著优点

1. 会话感知审查：不同于传统静态分析工具，vet能理解AI编程的迭代对话上下文，捕捉"理解偏差"类问题
2. 多平台支持：内置三大主流AI编码工具的会话导出脚本，降低集成门槛
3. 灵活的置信度控制：通过--confidence-threshold参数（0.0-1.0）调节审查严格程度
4. 无API模式：--agentic模式允许通过本地Claude Code/Codex CLI路由分析，解决API密钥缺失问题
5. 主动审查理念：强调"Do not batch changes"，鼓励高频小粒度验证

潜在缺点与局限性

• 非测试替代品：明确声明不能替代实际测试运行，仅作静态审查补充
• 多代理噪声：同仓库多AI代理并行时，Git diff可能混入他人变更，需人工甄别
• 历史加载复杂度：需手动定位会话ID或文件路径，对新手不够友好
• 更新维护成本：随AI工具演进需同步更新CLI和导出脚本

适合人群

• 使用OpenCode/Codex/Claude Code进行复杂多轮迭代的开发者
• 团队协作中需确保AI实现与需求一致性的场景
• 追求代码审查自动化但缺乏API资源（agentic模式）的用户

常规风险

• 误判风险：多代理环境下可能误报他人代码问题
• 隐私暴露：会话历史可能包含敏感信息，需确认导出脚本的数据处理范围
• 过度依赖：高频调用可能产生审查疲劳，忽视真正关键问题

核心用法

Vet 是专为 AI 辅助编程场景设计的代码审查工具，核心工作流为：每次代码变更后立即运行，无需等待批量提交或用户指令。

使用模式

1. 标准模式：直接分析 git diff

   vet "实现用户认证功能"

2. 增强模式（推荐）：结合会话历史，捕捉需求理解偏差

   vet "目标描述" --history-loader "python3 导出脚本 --session-id xxx"

支持 OpenCode、Codex、Claude Code 三大主流 AI 编程助手。

关键参数

• --base-commit：指定 diff 基准（默认 HEAD）
• --confidence-threshold：置信度阈值 0.0-1.0（默认 0.8）
• --agentic：本地代理模式，无需 API 密钥但速度较慢
• --output-format：支持 text/json/github 三种输出

会话定位技巧

| 平台 | 定位方式 |

|------|----------|

| OpenCode | `opencode session list --format json` 获取 ses_xxx ID |

| Codex | 搜索 `~/.codex/sessions/` 中唯一对话内容 |

| Claude Code | 搜索 `~/.claude/projects/` 中编码后的项目路径 |

---

显著优点

1. **需求对齐检测**

唯一将「用户原始请求」与「实际实现」交叉比对的工具，可有效识别：

• 功能遗漏或过度实现
• 需求误解导致的错误方向
• 对话上下文丢失引发的不一致

2. **零配置即开即用**

纯 Python 标准库实现，无第三方依赖，避免依赖地狱。

3. **多平台原生支持**

深度适配三大主流 AI 编程助手，导出脚本随工具分发。

4. **安全隔离运行**

S级安全认证，100% 本地处理，零网络外泄风险。

5. **灵活集成**

支持 GitHub Actions 输出格式，可嵌入 CI/CD 流水线。

---

潜在局限

| 局限 | 说明 |

|------|------|

| **非测试替代** | 明确说明不替代单元测试，仅做静态/语义审查 |

| **多代理干扰** | 同仓库多代理并行时，可能误报他人变更的问题 |

| **API 依赖** | 非 `--agentic` 模式需 LLM API 密钥 |

| **速度权衡** | `--agentic` 模式精度更高但显著更慢 |

| **会话定位成本** | 需手动匹配 session ID 或文件路径 |

---

适合人群

• 高频 AI 编程用户：使用 Claude/Codex/OpenCode 进行复杂功能开发
• 代码审查严格团队：需在提交前自动捕获需求偏差
• 安全敏感场景：无法将代码上传至外部 API 的私有化部署

---

常规风险

1. 误报率：LLM 驱动的分析可能产生虚假问题，需人工甄别
2. 上下文窗口限制：超长会话历史可能触发截断
3. 版本漂移：CLI、导出脚本需随平台更新同步维护