---
title: "代码交给 AI 写了，四个开源项目管“检查”这一步"
title_en: "AI writes the code now. Four open-source projects for checking it"
url: https://www.liamding.com/posts/2026-11-12-four-open-source-projects-for-checking-ai-written-code/
markdown_url: https://www.liamding.com/posts/2026-11-12-four-open-source-projects-for-checking-ai-written-code/index.md
html_url: https://www.liamding.com/posts/2026-11-12-four-open-source-projects-for-checking-ai-written-code/
language: zh-CN
date: 2026-11-12
lastmod: 2026-11-12
description: "写代码变便宜了，检查没有。四个开源项目各自在不同阶段放了一个独立的检查者，按它查什么、在哪里会漏来比。"
categories: ["Open Source"]
tags: ["open source", "AI coding", "code review", "security audit", "AI agents"]
professional: true
sources:
  - title: "google/elephant-goldfish-model (GitHub repository and README)"
    url: "https://github.com/google/elephant-goldfish-model"
  - title: "EGM docs/harnesses.md, support status"
    url: "https://github.com/google/elephant-goldfish-model/blob/main/docs/harnesses.md"
  - title: "EGM issue #237: Exclude host instructions from Codex and Antigravity reviewers"
    url: "https://github.com/google/elephant-goldfish-model/issues/237"
  - title: "Google Cloud Tech on X, EGM launch post"
    url: "https://x.com/GoogleCloudTech/status/2119203243054023129"
  - title: "shadcn/improve (GitHub repository and README)"
    url: "https://github.com/shadcn/improve"
  - title: "cloudflare/security-audit-skill (GitHub repository and README)"
    url: "https://github.com/cloudflare/security-audit-skill"
  - title: "Build your own vulnerability harness (Cloudflare blog)"
    url: "https://blog.cloudflare.com/build-your-own-vulnerability-harness"
  - title: "openai/codex-security (GitHub repository and README)"
    url: "https://github.com/openai/codex-security"
  - title: "Ryan Dahl on X"
    url: "https://x.com/rough__sea/status/2119644076702376014"
  - title: "GitHub Trending (daily and weekly)"
    url: "https://github.com/trending"
author: "Liam Ding（丁洪）"
canonical: https://www.liamding.com/posts/2026-11-12-four-open-source-projects-for-checking-ai-written-code/
---

## 问题

美西时间 11 月 8 日，Node.js 和 Deno 的作者 Ryan Dahl 发帖说：“软件工程这么短时间就转成了 100% AI 写，真让人震惊。”他接着写：AI 写 C++ 比他自己写得还好，但“确认它能正常工作”这个问题“并没有神奇地消失”，“我们只是在以更高的质量交付多得多的代码”。（原文：“It writes C++ better than I ever could, but the problem of making sure it works didn't magically disappear. we are just shipping enormously more volume at higher quality.”）我 11 月 11 日读到时，这条帖子大约有 184 万次浏览。

这正是没有变便宜的那部分工作。模型一分钟能写一千行，可设计对不对、便宜模型有没有照计划做、这次改动有没有开出漏洞，还是得有人知道。

所以这周的开源推荐，是四个各自想接管一部分“检查”的项目。其中三个在我查看时上了 GitHub 趋势榜，第四个是 Google 在 11 月 7 日宣布的。四个仓库我都在 2026 年 11 月 11 日美西下午 3 点左右打开过。

## 我的结论

四个项目都以某种方式把“检查”和“干活”分开了，其中 EGM 和 Cloudflare 的 skill 把规则写得最明白：检查的 Agent 不能是干活的那个，而且要不带作者的上下文开始。它们的区别在于**什么时候**查：

1. 代码还没写：先审设计。
2. 交接的时候：给便宜模型一份计划，每一步都附一条命令和预期结果。
3. 上线之前：找漏洞，再让另一个 Agent 去推翻每一条。

挑一个放在你“出错最贵”那个阶段的工具。另外，“全新上下文”要当成一个需要验证的说法，而不是装了插件就自动拥有的功能。

## 约束条件

比较这几个项目之前要知道：

- 星数和提交日期每天都在变。下面的数字是 2026 年 11 月 11 日从 GitHub API 取的快照，提交日期用 UTC。
- 我读的是 README、文档和一个 issue，没有安装或运行其中任何一个，所以关于行为的描述都是项目自己的说法。
- 四个里有两个从 9 月中旬起 main 上就没有新提交。对一个主要由 Markdown 提示词组成的 skill 来说，这不一定代表没人维护，但值得知道。
- 它们解决的问题不同。这里比的是检查放在哪里、有多独立，不是哪个“最好”。

## 取舍选项

| 仓库 | 许可证 | 星数（11 月 11 日） | main 最近提交 | 查什么、什么时候查 |
| --- | --- | --- | --- | --- |
| [google/elephant-goldfish-model](https://github.com/google/elephant-goldfish-model) | Apache-2.0 | 17,657 | 2026-11-11 | 设计，在写代码之前 |
| [shadcn/improve](https://github.com/shadcn/improve) | MIT | 10,810 | 2026-09-12 | 计划和执行，在交接时 |
| [cloudflare/security-audit-skill](https://github.com/cloudflare/security-audit-skill) | MIT | 70,320 | 2026-09-14 | 漏洞，每一条都由第二个 Agent 质疑 |
| [openai/codex-security](https://github.com/openai/codex-security) | Apache-2.0 | 11,676 | 2026-11-11 | 仓库或 diff 里的漏洞，外加补丁和修复验证 |

**Elephant-Goldfish Model：在有人写代码之前先审设计。** 一个支持 Antigravity、Claude Code 和 Codex 的插件。“大象”会话带着项目上下文起草设计文档；“金鱼”审稿人只拿到草稿和它引用的源码，看不到之前的对话，专门找没说出口的假设。取舍由你拍板，批准了设计再动手实现。如果你的 Agent 开不出全新的子 Agent，EGM 会直接停下审稿，而不是在同一个上下文里凑合审。它还有一个 drift report，对比设计文档和当前代码哪里对不上。README 写得很克制：“审稿不能替代测试和人的判断”，并且注明这“不是 Google 官方支持的产品”。

有意思的细节在它自己的文档里。支持页说，审稿人隔离方面的证据比安装测试“更窄”。11 月 11 日仍未关闭的 issue [#237](https://github.com/google/elephant-goldfish-model/issues/237)（10 月 30 日提出）报告：在 Codex 上，审稿人仍然会收到项目级和用户级的 `AGENTS.md`；在 Antigravity 上会收到项目的 `AGENTS.md` 和 `GEMINI.md`。文档说，Claude 的审稿适配器设置了不读 `CLAUDE.md`；对 Codex 和 Antigravity，目前没有经过验证的指令文件排除机制。提 issue 的人认为，这些文件常常写着团队的既定假设（“我们一律用 X”），审稿人一开始就读了它们，就是带着作者的先入之见在审。EGM 自己的建议是：稳定的约定照样写进指令文件，需要金鱼去质疑的假设，单独写成明确的审稿标准。

**improve：让计划自带测试。** shadcn 做的一个 skill，用你最强的模型审计代码库，然后写计划交给便宜模型执行。它自己从不改源码，只往 `plans/` 里写东西。计划的每一步都以一条命令和预期输出结尾；计划会记下写它时对应的 git commit，执行者动手前先查有没有偏移；还写明了 STOP 条件。README 承认它的审计子 Agent 会多报，所以主模型会把每个引用的位置重读一遍再给你看。`execute` 把便宜模型放进隔离的 git worktree 里干活，然后重跑每条完成标准、读 diff，最多来回改两轮。合并永远由你决定。代价是：main 最近一次提交是 9 月 12 日，而且整件事的质量取决于那些检查命令写得好不好。

**Cloudflare 的 security-audit-skill：发现漏洞的 Agent 从不确认自己的发现。** 一个六阶段的审计 skill：先侦察、再搜寻，然后每个候选漏洞都交给一个全新的验证者，由它想办法推翻。结果只有三种结论：`confirmed`、`needs_validation`、`rejected`，再用一个零依赖的 Node 脚本按 JSON schema 检查 `findings.json`（另一个脚本检查覆盖台账）。README 把规则说得很直白：“检查一条发现的 Agent，永远不是发现它的那个。”它还要求所有构建或运行目标代码的操作都放在操作系统级沙箱里，并关闭外网。文档里有两个数字值得记住。在他们的测试里，单次运行找到的漏洞大约只有多次运行总数的一半。Cloudflare 自己的博客说，把它扩成覆盖 128 个仓库的扫描系统后，最慢的单个仓库跑了 14 小时多，所以全量扫描成了定期清积压，而不是每个 PR 都跑。在那套系统里，每条确认的漏洞都必须附一个补丁。

**Codex Security：打包好的版本。** OpenAI 的 CLI、TypeScript SDK 和 GitHub Action。它可以扫整个仓库、指定路径或一段 Git diff（`cs scan . --diff origin/main`），验证候选漏洞、生成补丁、验证已有的修复，并导出 SARIF、JSON 或 CSV。每周运行的 Action 示例给每次扫描设了约 5 美元的预估上限，发现问题只报告、不让任务失败；README 也说明进行中的请求可能超出上限。它支持 OpenAI、Amazon Bedrock、OpenRouter、Fireworks AI 和 Cheaper Inference，每个提供方都要自己的凭据。部分网络安全类请求和受保护的发现需要 OpenAI 的 Trusted Access for Cyber。这是四个里最活跃的仓库，最近一次提交就在我打开它前几分钟。

## 证据

把 Dahl 的问题放在这四个项目旁边，能看出一个规律：

- 每一种检查都会留下事后能翻看的东西：审过的设计文档、带命令的计划、带结论的 `findings.json`、保存下来的报告。没有一个要你相信一句“看起来没问题”的聊天回复。
- 在把独立性写成设计目标的项目里（EGM 和 Cloudflare 的 skill），它也是最难验证的一环。EGM 在文档里写了自己的缺口。Cloudflare 的 skill 靠新开一个 Agent 来获得独立性，可新 Agent 有多“新”，取决于宿主让它有多新。README 没有说宿主的指令文件会不会进到那个 Agent。
- 重复运行很重要。Cloudflare 说，在他们的测试里，一次运行大约只能找到多次运行总量的一半；Codex Security 的 deep 模式会重复跑 standard 扫描再去重。单次扫描只是一次抽样。
- 星数和这些都对不上。7 万多星的仓库从 9 月起就没变过，README 把它称为后来那套系统演变出来的单仓库起点。四个里最活跃的是 OpenAI 的 codex-security，我打开它前几分钟还有新提交。

值得认真对待的反驳。“测试已经在做这件事了”：对你想到要测的行为，是的。这几个都替代不了测试，improve 和 Cloudflare 都依赖仓库自己的测试命令。它们针对的是设计错误和没人写过测试的漏洞。“第二个模型有同样的盲区”：部分成立。所以全新上下文才重要，Cloudflare 的博客也说不同模型找到的漏洞各不相同。“这不就是多烧 token”：是的。问题在于多跑一遍是不是比这个 bug 便宜；Cloudflare 说追加一轮大约只要首轮一半的成本，这是这里最接近答案的数字。

## 这个结论的边界

如果只是在一个你很熟的代码库里改一小处，人工审一遍加测试通常更便宜，也更快。做完就扔的原型，审设计是多余的。它们真正值回成本的场景是：作者是模型，审稿人的时间最稀缺，而且错误会交到没写这段代码的人手里。

## 我会怎么改

如果这个月要给一个大量用 AI 写的代码库加检查：

第一道检查放在错误代价最高的地方。对多数团队来说，就是设计阶段，赶在模型朝错误方向写出一千行之前。

每次交接都附带一条能判断通过与否的命令，像 improve 的计划那样，执行者不用自己判断是否成功。

每个改动都对 diff 跑安全扫描，再定期做一次全量扫描，而且要预期全量扫描得跑不止一遍。

“全新上下文”这个说法自己测一测。issue #237 的办法很简单：在每个指令文件里放一个标记字符串，让审稿人列出它能看到的所有标记。

最后才看星数。
