Engineering-Beitrag von **Addy Osmani**, **Morgan Westlee Lunt** und **Qing Wang** (dem **Claude Code**-Team, **Anthropic**) im *claude.dev*-Blog, veröffentlicht am **15. Oktober 2026**; ~3.200 Wörter. Er beschreibt den Code-Review-Ablauf des Teams, bei dem Claude rund **90%** des Codes für Claude Code schreibt. Von Juni bis September haben sich die gemergten PRs **mehr als verdoppelt**, und der Anteil der zurückgesetzten PRs sank um **mehr als 40%**; im Monorepo von Anthropic stieg die Zahl der täglichen Änderungen von **~2.500** (Mai) auf **mehr als 30.000** (September).
#Code-Review#Code-Review#agentisches Code-Review
Addy Osmani · Morgan Westlee Lunt · Qing Wang — équipe Claude Code (Anthropic) ; blog *claude.dev* · catégorie Engineering.
Ausgabe des Newsletters **Engineering Enablement** von **DX**, verfasst von **Brian Houck**, veröffentlicht am **5. August 2026**, Umfang etwa **13.000 Zeichen**. Der Text beginnt mit einer quantifizierten Beobachtung: Bei **Meta** stieg die Zahl signifikanter Codezeilen pro von einem Menschen gemergtem Diff in einem Jahr um **106 %** und die Zahl der Diffs pro Entwickler und Monat um **51 %**, wobei mehr als **80 %** dieses Wachstums auf agentische KI zurückgehen, während der Anteil der innerhalb von 24 Stunden überprüften Diffs sinkt; die Analyse von DX misst ihrerseits eine um **64 %** gestiegene mediane Pull-Request-Größe, während Entwickler nur etwa **7 %** ihrer Zeit für Reviews aufwenden möchten. (A) Bevor er das Review an KI übergibt, formuliert Houck die Nutzungsfrage neu: *„Welches Problem hat Code Review gelöst, bevor KI aufkam?“* Wenn die Antwort Fehlererkennung ist, wird vollständige Automatisierung unvermeidlich; die Studie von **Bacchelli & Bird** (*Modern Code Review*, ICSE 2013) zeigt, dass fehlerbezogene Kommentare nur **14 %** der tatsächlich verfassten Kommentare ausmachen. (B) Ein Teil der Last ist *selbstverschuldet*: Die Microsoft-Studie von 2016 mit **911 Entwicklern** identifizierte bereits Durchlaufzeit, Review-Größe und das Verständnis der Änderungsmotivation als die drei größten Hindernisse, und nur **26 %** verfassten noch eine detaillierte Beschreibung. (1) **RADAR** bei Meta dient als Referenzimplementierung für die Risikostratifizierung. (2) Drei aufeinanderfolgende Schritte: die Grundlagen in Ordnung bringen, KI um das menschliche Urteilsvermögen herum gestalten, das schützen, was Review unsichtbar hervorbringt. Der Korpus umfasst bereits [[monperrus-end-of-code-review-agents-supersede-2026-06-11]], der die Automatisierung bis zum Ersatz vorantreibt, und [[laycock-thoughtworks-reviewing-all-this-code-2026-09-02]], die direkte Antwort auf diesen Text.
#Code-Review#Code-Review#Review-Warteschlange
Brian Houck · signataire de l'édition · sur la newsletter Engineering Enablement de DX ; fonction non affichée par la page.