用 Claude Code + GitHub Copilot Review 打造 AI 驅動的開發流程

cover

身為一個在 GitHub 上長期維護多個開源專案的開發者，我每天面對的不只是寫程式，還有大量的 Issue 處理、PR Review、版本發佈等瑣碎但重要的工作。隨著專案規模成長，這些工作量已經遠超一個人能高效處理的範圍。

過去一段時間，我開始將 Claude Code 和 GitHub Copilot Review 整合進我的日常開發流程，結果讓我非常驚艷——原本需要半天的工作，現在經常在 1-2 小時內就能完成。這篇文章將分享我的完整流程，以及為什麼我認為開發者本身的技術能力，才是善用 AI 工具的關鍵。

工具介紹

本篇著重在實際的開發流程，除了兩套核心工具的內建功能外，也會介紹我開發的 copilot-review 自訂 Skill，讓整個 Review 自動化循環更加完整。以下是我目前使用的工具組合：

Claude Code

Claude Code 是 Anthropic 推出的 CLI 開發工具，直接在終端機中運作。它能理解整個專案的上下文，幫你完成編碼、重構、除錯、撰寫測試等工作。跟一般的 AI Chat 不同，Claude Code 可以直接讀寫你的檔案、執行指令，是真正嵌入開發流程的工具。

GitHub Copilot Review

GitHub Copilot Review 是 GitHub 內建的 AI Code Review 功能。當你發 PR 時，可以指派 Copilot 作為 Reviewer，它會自動分析程式碼變更，針對潛在問題、風格一致性、效能疑慮等留下具體的 Review 意見。

這兩個工具的組合，就是我目前的核心開發流程。

AI 驅動開發流程

以下是我目前實際在用的開發流程，從需求到 Merge 的完整循環。流程圖中標記為橘色的步驟，是整個流程中唯二需要開發者親自介入的環節——其餘步驟都可以交給 AI 自動完成：

    flowchart TD
    A[開發者提出需求] --> B[請 AI 具體寫出執行計畫]
    B --> C[開發者反覆進行問與答]
    C --> D{計畫滿意？}
    D -- 不滿意 --> C
    D -- 滿意 --> E[產生最後的計畫]
    E --> F[請 AI 開始實作]
    F --> G["/simplify 重構優化"]
    F --> H["/security-review 安全性檢查"]
    G --> I[發 PR]
    H --> I
    I --> J[GitHub Copilot Code Review]
    J --> K["/loop 2m /copilot-review"]
    K --> L[AI 查看 PR 留言]
    L --> M[AI 修正程式碼]
    M --> N[重新 trigger Review]
    N --> O{還有留言？}
    O -- 有 --> L
    O -- 沒有 --> P[開發者最終確認]
    P --> Q[Merge]

    style C fill:#fed7aa,stroke:#c2410c,color:#7c2d12
    style P fill:#fed7aa,stroke:#c2410c,color:#7c2d12
    style G fill:#fef3c7,stroke:#b45309,color:#78350f
    style H fill:#fef3c7,stroke:#b45309,color:#78350f
    style K fill:#d1fae5,stroke:#059669,color:#064e3b

圖中橘色為需要開發者親自介入的步驟，黃色為 Claude Code 內建的 Slash Commands，綠色為自訂的 Skill。

計畫階段：先對齊方向，再動手

這是最重要的一步。我不會直接叫 AI 寫程式，而是先請它寫出具體的執行計畫。

Claude Code 內建了 Plan Mode，啟動後 AI 會先分析你的需求和目前的程式碼，產出一份詳細的實作計畫，包含要修改哪些檔案、採用什麼架構、預期的行為等。

接下來就是反覆的問與答。我會針對計畫中不合理的地方提出質疑，要求調整方向。這個過程可能來回好幾次，直到我確認計畫的方向是正確的。

這一步的價值在於：在寫任何一行程式碼之前，先確保方向不會偏。

實作階段：讓 AI 動手

計畫確認後，請 AI 開始實作。Claude Code 會根據先前對齊好的計畫，直接修改檔案、新增程式碼。這個階段開發者主要是監督和適時介入調整。

優化階段：/simplify + /security-review 並行

實作完成後，我會同時執行兩個 Claude Code 的內建指令：

  • /simplify：檢查程式碼的重複性、品質和效率，自動重構優化
  • /security-review：檢查安全性漏洞，例如注入攻擊、敏感資訊外洩等

這兩個都是 Claude Code 內建的 Slash Commands。

這兩個指令可以同時並行執行，不需要等一個跑完再跑另一個。

Review 循環：/loop + /copilot-review 自動化迭代

這是整個流程中最省時間的部分。為了讓 Review 循環完全自動化，我開發了 /copilot-review 這個自訂 Skill，搭配 Claude Code 內建的 /loop 指令使用。

安裝 copilot-review Skill

先在 Claude Code 中加入 Skill Marketplace：

1

/plugin marketplace add appleboy/skills

接著安裝需要的 Skill：

1

/plugin install copilot-review

前置條件：需要 GitHub CLI v2.88.0 以上版本，並確認已登入（gh auth status）。

自動化循環的運作方式

發 PR 之後，只要執行一行指令：

1

/loop 2m /copilot-review

這會每 2 分鐘執行一次 /copilot-review，每次循環會自動完成以下步驟：

  1. 偵測 PR — 自動從目前分支找到對應的 PR
  2. 檢查 Review 狀態 — 比對 Copilot 的 Review 時間與最新 commit 時間
  3. 取得留言 — 透過 GraphQL 取得 Copilot 尚未解決的 Review 留言
  4. 修正程式碼 — 根據 Copilot 的建議評估並修正
  5. 執行測試 — 在 commit 前跑專案測試
  6. Commit & Push — 使用 Conventional Commit 格式提交
  7. 標記已解決 — 將已處理的 Review 留言標記為 resolved
  8. 重新觸發 Review — 再次指派 Copilot 作為 Reviewer

這個循環會持續進行，直到沒有新的 Review 意見為止。建議設定上限為 10 次迭代——如果超過 10 次還有留言，通常代表需要開發者介入重新評估架構方向。

整個過程開發者不需要一直盯著，等循環跑完再回來做最終確認就好。以下是實際案例——go-authgate/authgate PR #125（將 1,038 行的 token.go 拆分為 8 個領域專責檔案），Copilot Review 與 /copilot-review Skill 自動迭代的過程：

輪次留言數主要修正
13註解 strict subset 應改為 subset、GetUserTokens 註解寫「所有 active tokens」但實際未過濾狀態
23AuthenticateClient 未檢查 client 是否 active、revokeTokenFamily 註解與實際行為不符、ValidateToken 將 DB 錯誤誤報為 token not found
32AuthenticateClient 新增 inactive 檢查屬行為變更，需更新 PR 描述；ValidateToken 錯誤處理變更同理
42PR 描述仍聲稱「無邏輯變更」需修正、refresh token rotation 中 TokenFamilyID 可能為空值
50無新留言 — 全部通過

最終確認：人眼把關

所有自動化循環結束後，開發者做最後一次審閱。確認邏輯正確、架構合理、沒有遺漏，才按下 Merge。

這一步不能省略，也不應該省略。

實際效益

導入這套流程後，我最明顯感受到的改變：

  • 開發速度大幅提升：原本需要半天的功能開發，經常縮短到 1-2 小時完成
  • Code Review 品質更好：在人工 Review 之前，AI 已經過濾掉大部分基本問題，人工可以專注在架構和業務邏輯層面
  • 個人開發者也能有 Review 機制：以前一個人維護開源專案，Code Review 幾乎是奢望。現在有 GitHub Copilot 當第一道防線，程式碼品質有了基本保障
  • 降低上下文切換成本：AI 幫你處理瑣碎的實作細節，你的腦力可以留給真正需要思考的決策

核心觀念：你才是架構的決策者

講了這麼多 AI 工具的好處，但我必須強調一件事：

開發者本身必須具備技術架構能力，才能真正善用這些工具。

AI 是加速器，不是導航。你要先知道目的地在哪裡，AI 才能幫你更快到達。如果你自己不清楚系統該怎麼設計、技術選型該怎麼做，那 AI 產出的東西你根本無法判斷對錯。

我在實際使用中，經常遇到這些情況：

  • AI 建議的架構方向不符合專案的長期規劃，我會直接否決並給出正確方向
  • AI 產出的程式碼看起來能跑，但設計模式不適合當前場景，需要手動調整
  • AI 為了解決當前問題而引入不必要的複雜度，我會要求簡化

沒有技術判斷力的人使用 AI 工具，很容易產出看起來正確但架構錯誤的程式碼。短期內可能不會出事，但長期一定會變成技術債。

使用心得與注意事項

  • AI 產出仍需人工判斷：不能盲目信任 AI 的每一行輸出，特別是涉及業務邏輯和安全性的部分
  • Prompt 品質決定產出品質：你給 AI 的指令越清楚、上下文越充足，產出就越好。模糊的需求只會得到模糊的結果
  • 適合的場景：重構、寫測試、產生樣板程式碼、處理重複性工作、Code Review
  • 不適合的場景：全新的系統架構設計（AI 可以給建議，但決策必須是人）、涉及複雜業務邏輯的核心模組

總結

這套流程的核心價值是：讓開發者專注在「決策」而非「照單全收 AI 的產出」。

AI 幫你處理計畫撰寫、程式碼實作、重構優化、Code Review 迭代這些執行層面的工作。而你作為開發者，負責的是方向判斷、架構決策、最終把關。

但前提是——你必須先成為一個有能力做決策的開發者，AI 才能真正幫你加速。

值得一提的是，本篇所介紹的 Plan Mode、/simplify、/security-review、/loop 都是 Claude Code 的內建功能，不需要額外安裝。而 /copilot-review 則是我開發的自訂 Skill，只要透過 /plugin marketplace add appleboy/skills 再 /plugin install copilot-review 就能使用。搭配 GitHub Copilot Review（對開源專案完全免費），就能完成 90% 以上的軟體自動化開發流程。

如果你也在維護開源專案，或是想提升個人的開發效率，非常推薦試試這套 Claude Code + GitHub Copilot Review + /copilot-review Skill 的組合。