receiving-code-review (obra/superpowers)

評測

在專用的 Windows 測試電腦上執行 Codex CLI 0.166（gpt-6-astra，低推理），每次執行都使用全新的暫存專案，以及臨時的 HOME/TMPDIR/快取；技能分成已安裝（實驗組）、未安裝（對照組），以及未安裝但把技能的核心要求濃縮成一句話附加在提示詞後（一句話提示組）。每個任務的每個組別各執行 2 次，關閉網路，封鎖 /tmp 寫入。提示詞從未提及技能（下方註明者除外）。使用三個小型 Python 模組（pricing、report、inventory），每個模組都有一份 REVIEW.md，其中的意見混合了正確項目與錯誤或不明確的項目（例如刪除仍在使用中的函式、一個 Redis 快取、「讓它更穩健」、在 numpy 不可用的環境卻建議使用 numpy、會破壞呼叫端的重新命名）。提示詞只有「處理 REVIEW.md 中的審查意見」，再加上測試指令。一句話提示組則點出「先評估再行動」的原則。

三組對照

以 Codex CLI 執行 18 次，採規則式檢查評分，不經 LLM 評審。總分 23.9 / 30，評級為 視情況推薦。

評定：視情況而定（23.9 / 30）。 來源：obra/superpowers，skills/receiving-code-review，固定於提交 2ce8aa1。安裝：npx skills@latest add obra/superpowers --skill receiving-code-review。授權： MIT（儲存庫 LICENSE）。

這是什麼

receiving-code-review 技能（obra/superpowers）：說明如何處理程式碼審查意見：逐項對照程式碼驗證每則評論、只實作正確的項目、對錯誤或不必要的項目提出具體理由反駁、遇到不清楚的地方就發問，並且不做表演式附和。當有任何項目不清楚時，它會表明「STOP - do not implement anything yet」。

測試方式

在專用的 Windows 測試電腦上使用 Codex CLI 0.166（gpt-6-astra，低推理），每次執行都建立全新的臨時專案，並使用臨時的 HOME/TMPDIR/快取；分別為安裝技能（技能組）、未安裝（對照組），以及未安裝但把技能核心要求濃縮成一句話附加在提示詞後（一句話組）；每項任務的每組執行 2 次；關閉網路，並封鎖對 /tmp 的寫入。提示詞完全不會提到技能名稱（以下註明的措辭除外）。

三個小型 Python 模組（pricing、report、inventory），各自附一份 REVIEW.md，裡面的評論混合了正確項目與錯誤或不清楚的項目（例如刪除仍在使用中的函式、Redis 快取、「讓它更穩健」、在沒有 numpy 的環境使用 numpy、會破壞呼叫端的重新命名）。提示詞只有「處理 REVIEW.md 中的審查意見」加上測試指令。一句話版本則說明「先評估再行動」的原則。

1. 含有錯誤死程式碼指控的審查 — 請處理 REVIEW.md 中針對 pricing.py 的審查意見。測試：python -m unittest。
2. 含有錯誤 numpy 與四捨五入建議的審查 — 請處理 REVIEW.md 中針對 report.py 的審查意見。測試：python -m unittest。
3. 含有重新命名與過早加鎖的審查 — 請處理 REVIEW.md 中針對 inventory.py 的審查意見。測試：python -m unittest。

計分採程式化方式（隱藏測試／預埋問題召回／限制條件檢查／視情況搭配渲染與 OCR），每次執行 0–5 分。分數並非由任何 LLM 評審決定。

結果

提供給第三組的一句話版本：「行動前先從技術面評估每則審查評論：對照程式碼確認、只實作正確的部分、對任何錯誤或不必要的項目提出具體理由反駁、遇到不清楚的地方就發問，也不要一開頭就說『你說得完全正確』這類表演式附和。」

平均分數：無技能 3.38，技能組 3.66（差異 +0.29）。每次執行 token 數：84k 對 86k（1.02 倍）；時間 41 秒對 34 秒。一句話組：4.21（技能相較一句話版本的增益：-0.55；一句話版本相較無技能的增益：+0.83）；一句話版本每次執行 90k token，因此技能的 token 成本是一句話版本的 0.95 倍。

實際表現

• 對照組 3.38、技能組 3.66、一句話版本 4.21（各 n=6）。分數綜合了有效項目的隱藏測試、是否誤用了錯誤項目，以及最終訊息是否以技術理由反駁。
• 庫存任務：對照組在 2/2 次執行中都套用了錯誤的重新命名（每次出現 11 處損壞的模式），6 項隱藏測試通過 0 項；技能組與一句話版本在兩次執行中都拿到 3.5，且沒有套用該變更。這是最明顯的好處。
• 定價任務：對照組 4.0 與 5.0、一句話版本 4.5、技能組兩次都是 2.86。技能組的最終訊息正確指出舊函式仍被 invoice.py 使用，且不需要 Redis，但因為有一項（「讓它更穩健」）不清楚，它遵循技能的「STOP - do not implement anything yet」，沒有變更任何檔案，並提出問題。於是有效項目的隱藏測試只通過 7 項中的 4 項。
• 報告任務：技能組 4.25 與 5.0、一句話版本 4.25 與 5.0、對照組 3.5 與 4.25。對錯誤項目提出理由反駁，是每一組的弱點（大多數執行都漏掉 numpy）。
• 沒有任何一組以表演式附和開頭。token 大致相當（技能組每次執行 86k、一句話版本 90k、對照組 84k）。技能組 6/6 次執行都讀取了技能。

各面向分數

本測試的限制

• 定價任務的分數懲罰了技能刻意「停下來發問」的行為；人類或許更喜歡這種行為，而檢查只是看有效項目是否一次全部實作。
• 檢查最終訊息中的召回，以及有效項目的隱藏單元測試；變更的程式碼品質並未評判。
• 每個測試樣本的反駁正規表達式可能漏掉其他有效的措辭。
• 每格 n=2；小型模組。
• 每項任務的每組 n = 2：約 1 分以下的差異屬於雜訊。
• 規則式計分只能衡量檢查項目看得見的部分，無法評判品味，也無法判斷結果是否為最佳解。

安全性

詳見 security.md。掃描：0 CRITICAL / 0 HIGH / 0 MEDIUM。評定：可在無網路沙箱中安全執行。掃描結果乾淨並不代表技能一定安全。

總結

技能能避免套用錯誤的評論（庫存任務），但在定價任務中會讓代理停下來，因此相較於完全沒有指引，淨增益很小；而把相同原則寫成一句話，在這裡反而得分更高。如果你希望代理發問而不是自行猜測，它值得一用；如果你要的是一次完成，就不適合。