Skip to Content

Chapitre 11.1 — Réviser : /code-review

⏱️ TL;DR/code-review relit le diff courant à un niveau d’effort réglable, et remonte des findings (bugs de correction, simplifications, efficacité). Options : --comment pour poster en commentaires de PR, --fix pour appliquer les corrections. Pour les gros enjeux, la version ultra lance une revue multi-agent dans le cloud (plus profonde, adversariale). Le point clé : la revue par l’IA ne remplace pas ton jugement — elle prépare une liste que tu tries. Un regard automatisé de plus, pas un tampon automatique.

🎯 Objectifs

  • Lancer /code-review sur un diff et exploiter ses findings.
  • Choisir le bon niveau d’effort et les options (--comment, --fix).
  • Savoir quand recourir à la revue cloud (ultra).
  • Garder ton jugement au-dessus de la revue automatique.

La revue comme couche « rattraper »

Rappel du modèle en couches (3.3) : la revue est la couche rattraper, celle qui attrape ce que les autres (énoncer/montrer/imposer) ont laissé passer. /code-review l’automatise : elle relit le diff courant et remonte des findings classés — correction (vrais bugs), simplification/réutilisation, efficacité.

Niveau d’effort et options

/code-review se règle en effort :

  • low / medium : moins de findings, mais haute confiance (peu de faux positifs). Bon pour un check rapide.
  • high / max : couverture plus large, peut inclure des findings incertains (à trier). Pour les changements à fort enjeu.

Et en options :

  • --comment : poste les findings en commentaires inline sur la PR (revue d’équipe).
  • --fix : applique les findings au working tree (à relire ensuite).
/code-review high # revue approfondie du diff courant /code-review --comment # poster sur la PR /code-review --fix # appliquer les corrections

💡 Réflexe d’architecte — Adapte l’effort à l’enjeu, comme le modèle et le plan mode. Un petit diff trivial → low/medium (rapide, sûr). Un changement d’architecture ou une PR sensible → high/max, quitte à trier plus de findings. La revue n’est pas binaire : c’est un curseur effort/couverture.

La version cloud : ultra

Pour les gros coups (une PR importante, une revue avant release), /code-review ultra lance une revue multi-agent dans le cloud : plus profonde, avec vérification adversariale des findings (rappel des patterns de workflow, 8.3) — chaque problème potentiel est challengé avant d’être retenu, ce qui élimine les faux positifs. C’est déclenché par toi et facturé ; tu ne peux pas la lancer « par erreur ». On l’utilise quand la confiance vaut le coût (relire toute une branche, un module critique).

📚 Aller plus loinultra fonctionne sur la branche locale (sans même un remote GitHub) ou sur une PR (/code-review ultra <PR#>). C’est l’artillerie de la revue : réserve-la aux moments où l’exhaustivité et la confiance priment (release, code sensible), pas pour un diff de trois lignes.

La revue ne remplace pas ton jugement

⚠️ Piège — Traiter la sortie de /code-review comme un verdict : appliquer tous les findings sans les lire, ou considérer « 0 finding » comme « c’est parfait ». Une revue automatique prépare une liste ; c’est toi qui tranches (ce finding est-il réel ? vaut-il une correction ? y a-t-il un faux positif ?). Elle attrape beaucoup, mais elle n’a pas ta vue d’ensemble du produit. Regard de plus, pas tampon automatique.

De même, --fix applique — donc relis la diff des corrections (5.4) avant de committer. L’automatisation accélère ; la responsabilité reste tienne.

Revue humaine + revue IA

La revue IA ne supprime pas la revue humaine ; elle la rend meilleure. En pré-mâchant les points mécaniques (bugs évidents, incohérences, simplifications), elle libère le relecteur humain pour ce qui compte vraiment : les décisions de design, l’adéquation au besoin, les compromis. Bon flux : /code-review d’abord (attrape le mécanique), revue humaine ensuite (juge le structurel).

🧭 Sur TaskFlow — Sur TaskFlow, on ajoute /code-review à la boucle de chaque feature (après les hooks P7, en complément de l’agent reviewer P8) : effort medium au quotidien, high/ultra avant une release ou sur du code sensible (auth, paiements plus tard). Et /security-review (11.5) pour l’axe sécurité. La qualité de TaskFlow devient une routine outillée, pas un effort ponctuel.

✏️ Exercices

Exercice 1 — Trie, ne gobe pas. Lance /code-review sur un vrai diff. Pour chaque finding : réel ou faux positif ? à corriger ou acceptable ? Applique seulement ce qui le mérite.

✅ Solution

L’exercice installe le bon réflexe : la revue propose, tu disposes. Certains findings sont de vrais bugs (corrige), d’autres des faux positifs ou des choix assumés (ignore, en sachant pourquoi). Gober tous les findings est aussi risqué que les ignorer tous.

Exercice 2 — Effort selon l’enjeu. Fais deux revues : medium sur un petit diff, high sur un changement structurant. La différence de couverture (et de faux positifs) correspond-elle à l’enjeu ?

✅ Solution

medium donne peu de findings sûrs (idéal pour du trivial) ; high/max couvre plus large, avec plus à trier (justifié quand l’enjeu est élevé). Tu apprends à doser : la revue est un curseur effort/couverture, pas un bouton unique.

🧠 Quiz de révision

1. Que fait /code-review et sur quoi ?

Elle relit le diff courant et remonte des findings classés (correction, simplification, efficacité) à un niveau d’effort réglable. Options : --comment (poster sur la PR), --fix (appliquer).

2. Comment choisir le niveau d’effort ?

Selon l’enjeu : low/medium (peu de findings, haute confiance) pour du trivial ; high/max (couverture large, plus à trier) pour un changement structurant.

3. Quand recourir à ultra ?

Pour les gros coups (PR importante, avant release, code sensible) : revue multi-agent cloud avec vérification adversariale des findings. Déclenchée par toi et facturée ; réservée aux moments où la confiance vaut le coût.

4. La revue IA remplace-t-elle ton jugement ?

Non : elle prépare une liste que tu tries. « 0 finding » ≠ « parfait », et on n’applique pas tout aveuglément. Regard de plus, pas tampon automatique — et on relit la diff de --fix.

5. Comment revue IA et revue humaine se combinent-elles ?

La revue IA pré-mâche le mécanique (bugs, incohérences, simplifications) ; la revue humaine se concentre alors sur le structurel (design, adéquation au besoin, compromis). L’IA rend la revue humaine meilleure.


Chapitre suivant : Debugger : /diagnose — une méthode, pas du tâtonnement.