dependency-review-system

以依赖关系为优先的 AI 审查总调度技能。通过“机械式门禁 + LLM 判读 + 人工兜底”的方式，输出可执行的评审结论。

SKILL.md

--- frontmatter

name: dependency-review-system
description: 依赖关系优先的 AI Review 总调度 Skill。通过“机械门禁 + LLM 判读 + 人工兜底”输出可执行评审结论。

dependency-review-system

用于把代码评审落地为可执行流水线，核心目标是：

•机械门禁严格阻断（构建/测试/依赖违规）
•LLM 输出结构化风险结论（含证据与置信度）
•人只处理低置信度或高影响冲突

执行策略

•默认优先 MCP tools（review-pipeline server）
•MCP 不可用时再使用脚本 fallback
•追求最简链路时优先调用 review_run 一次完成

子 Skills（同模块内）

•subskills/collect-context.md：收集 diff、影响文件、Git 上下文
•subskills/dependency-guard.md：依赖图与分层规则机械判定
•subskills/risk-analyzer.md：校验 LLM 风险报告结构与质量
•subskills/test-gap-mapper.md：把风险映射到测试缺口
•subskills/decision-gate.md：统一输出 PASS / BLOCK / HUMAN

MCP 工具映射

子 Skill	MCP Tool	关键参数	Fallback 脚本
`collect-context`	`review_collect_context`	`base`, `head`, `output`	`node scripts/review/scripts/collect-context.mjs`
`dependency-guard`	`review_dependency_gate`	`policy`, `output`	`node scripts/review/scripts/dependency-gate.mjs`
`risk-analyzer`	`review_validate_llm`	`input`, `policy`, `output`	`node scripts/review/scripts/validate-llm-report.mjs`
`test-gap-mapper`	`review_validate_llm`	`input`, `output`	读取 `llm-validation.json` 中 `parsed.advisories`
`decision-gate`	`review_run`	`llmReport`, `allowHuman`, `base`, `head`, `output`	`node scripts/review/scripts/run-review.mjs`

推荐调用顺序（MCP）

•review_collect_context
•review_dependency_gate
•review_validate_llm
•review_run

最简模式：

•只调用 review_run（内部会串联构建检查、测试、依赖门禁、LLM 校验）

MCP 最小调用示例

text

Tool: review_run
Arguments: { "llmReport": "scripts/review/input/llm-review.json", "allowHuman": false }

一键执行

在仓库根目录运行：

bash

bash scripts/review/run.sh

默认行为：

•执行 scripts/check_errors.sh
•执行 npm run -w web test
•运行依赖关系门禁（循环依赖 + 禁止边）
•校验 LLM 风险报告（缺失或低置信度会触发 HUMAN）
•生成 scripts/review/artifacts/<run-id>/review-result.json

输入与输出

输入：

•代码状态（工作区或 --base/--head diff）
•依赖策略 scripts/review/config/policy.json
•LLM 报告（可选）scripts/review/input/llm-review.json

输出：

•PASS：机械门禁通过，且 LLM 报告通过阈值
•BLOCK：机械门禁失败或 LLM 提供阻断项
•HUMAN：LLM 报告缺失/低置信度，需要人工裁决