代码审查工具让 AI 真去点一遍按钮

读代码挑毛病和真把应用跑起来找茬，是两件事。前者看差异文件就能干，后者必须有个活的应用。代码审查工具 Greptile 最近把第二件也交给了模型。

一、发生了什么

据 OpenAI 10 月 26 日发布的客户案例，Greptile 开始用 GPT-6 Astra 的电脑操作能力做应用级测试。先说清口径：这是 OpenAI 官网的客户故事，厂商联合发布，文中没有准确率、误报率这类独立数据，以下效果均为厂商自述。

工作流程是这样：有新代码提交时，为它启动一个开发服务器，把浏览器调成 iPhone 尺寸的视口，让模型模拟真实用户操作应用，再靠视觉理解检查每个屏幕有没有异常。它抓的是那类只有真跑起来才能发现的问题——典型案例是某个按钮在 iPhone 上查看时直接消失了，读代码永远看不出来。这家公司的说法是，这相当于把「请人专门去破坏你的应用」这件事自动化了，过去靠外包测试团队，慢得没法跟上每次提交。

另一条线是知识库：Greptile 给客户代码库建索引和文档，通过标准协议接给编程 agent 用，据称已有数千家客户接入，衡量指标是 AI 生成代码被回退的频率——给了上下文之后，回退变少了，具体降了几成同样没有数字。

案例里还带了这家公司对安全的判断：模型越强，攻击者用同样的工具找应用漏洞也越容易，所以他们另做了安全产品，帮客户把防御修在对手前面。这家公司自己也是编程 agent 的重度用户，用它写代码、查代码库、调试。CEO 对更远期的展望是：模型智能对多数任务已经够用，瓶颈在把想法变成可用软件的速度，他期待下一档能力把这个速度再抬一截。

二、跟你有什么关系

工程团队负责人。 代码审查的覆盖面从「看代码」扩到「试应用」，方向是对的。但这是个无第三方数据的新功能，先小范围试再谈全量。

QA 从业者。 外包压测里「点点点」的部分正在被自动化，人的价值往测试策略、边界设计上移。

选型的人。 任何「数千家客户」这类说法都值得追问：接入了多少，真在用多少，回退率降了几成——案例里一个数字都没给。

三、怎么用

1. 前提是先有预览环境。团队连每次提交自动起一套可访问环境都没有，这类测试无从谈起，先把这条链路搭好。
2. 让 AI 测试盯视觉回归和交互断链这类「看得到」的问题，逻辑正确性仍交给单元测试和人工审查。
3. 把厂商案例当广告读。自己接上跑两周，统计误报率和真实抓到的 bug 数，再决定要不要付费。

四、三个别信的说法

AI 找 bug 已经很准了。 案例没有任何量化数据支撑，判断标准是「看起来能干活」，离「验证过」差得远。

有了它就不用写测试了。 它补的是端到端交互这一层，单元测试、契约测试该写还得写，三层各管一段。

电脑操作模型就是会点屏幕。 难点不在点击，在判断哪个界面状态算异常——这需要理解产品意图，恰恰是最难的部分。

五、一句话结论

审查是看，找茬是跑，真跑过一遍才知道按钮会不会消失。

信息来源

• OpenAI：Greptile 客户案例，2026-10-26

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。