# Bugbot 现可通过学习规则实现自我改进

- 来源：Cursor Blog
- 作者：Michael Zhao
- 发布时间：2026-04-08 20:00
- AIHOT 分数：66
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmosbbgu40074sloj8tx0lrbk
- 原文链接：https://cursor.com/blog/bugbot-learning

## 精选理由

AI code review 赛道卷了两年，Bugbot 78% 的解决率终于把第二名甩开 15 个点，关键不是分数而是它开始从真实 PR 反馈里自动学规则，做 code review 工具的该认真看看这套闭环逻辑。

## AI 摘要

Bugbot 的 bug 解决率已从 2025 年 7 月正式推出时的 52% 提升至近 80%，领先其他 AI 代码审查产品。其核心改进在于引入了规则学习机制，能够从实时代码审查反馈（如开发者反应、回复和人工评审意见）中自主学习，取代了原先依赖离线实验的更新模式。自测试版推出以来，已有超过 11 万个仓库启用该功能，生成了逾 4.4 万条规则。这些规则可根据信号积累被激活或禁用，帮助 Bugbot 更精准地识别问题。用户可在 Cursor Dashboard 中管理学习规则，以优化审查效果。

## 正文

2025年7月，当我们把Bugbot从测试版正式推出时，它识别出的bug中有52%在相关PR合并前得到了解决，这意味着其余的都是误报。

如今，解决率已接近80%，比排名第二的AI代码审查产品高出15个百分点。

AI代码审查产品解决率分析的PR数

Cursor Bugbot78.13%50,310

Greptile63.49%11,419

CodeRabbit48.96%33,487

GitHub Copilot46.69%24,336

Codex45.07%19,384

Gemini Code Assist30.93%21,031

我们仅分析了公开仓库。对于AI代码审查产品生成的每条评论，我们使用LLM评判器来检查该评论在PR合并前是否得到了处理。

到目前为止，所有改进完全由离线实验驱动：我们对Bugbot进行调整，测试改动是否提升了解决率，如果有效就发布。

但纯粹的离线方法留下了大量训练潜力未被开发。Bugbot每天审查数十万个PR，每次审查都是一次自然实验，Bugbot可以根据开发者是否对其报告采取了行动来进行自我改进。

为了利用这些实时信号，我们现在让Bugbot能够从过去的运行中学习，将实时代码审查过程中的反馈转化为学习规则。这些规则作为额外的指令，使Bugbot的运行更具定制性，帮助Bugbot专注于特定问题、业务上下文等。

自学习规则测试版发布以来，已有超过11万个仓库启用了学习功能，生成了超过4.4万条学习规则。

学习规则的工作原理

每个合并的PR都包含一系列信号，Bugbot可以利用这些信号进行自我改进并将其编码为规则。三个重要的信号是：

对Bugbot评论的反应，其中点踩告诉Bugbot该发现没有用处。

对Bugbot评论的回复，开发者在其中解释了什么有问题，或者建议本可以如何改进。

人工审查者的评论，这些评论标记了Bugbot遗漏的问题。

Bugbot 将这些信号处理成候选规则，并持续针对新传入的 PR 进行评估。随着信号的积累，Bugbot 可以将候选规则提升为活跃状态，从而开始影响未来的审查。同样，如果某条活跃规则开始持续产生负面信号，Bugbot 可以将其禁用。你也可以直接在 UI 中编辑或删除规则。

我们希望 Bugbot 能够捕捉到每一个真正的错误，这需要深入理解你的代码库、开发模式以及团队的优先级。学习规则正是朝着这个方向迈出的一大步，也是我们让 Bugbot 持续自我改进整体努力的一部分。

在 Cursor Dashboard 中管理 Bugbot 的学习功能，你可以在其中启用学习规则并对最近的 PR 执行回填操作，或者在我们的文档中了解更多信息。

使用 Bugbot 自动修复功能闭环代码审查流程

Jon Kaplan

Bugbot 现在速度提升超过 3 倍，成本降低 22%，并且能多发现 10% 的错误

Jason, Yuri & Michael

在画布中与智能体创建的图表进行交互

Alex Vandak Maloney