预提交预测
让 review 先不看代码、只凭设计文档预测最可能出错的地方，再带着预测去审代码——把”先给预测再看答案能大幅提升校准精度”的认知科学发现工程化的代码审查设计。
简介
预提交预测（pre-commit prediction）是 claude-ship 中 review agent 的核心设计，也是作者认为整套 loop 工程体系里”最满意的一个设计”。它把常规的”读代码→找问题”审查流程反转为”先预测→再验证”：review agent 先不读代码，只读 design.md 和 implementation.md，基于设计列出 3-5 个最可能的缺陷区域（如”错误处理可能不全""并发场景可能有竞争”），然后带着这些预测去审代码，最后同时记录预测命中的问题和预测未覆盖的问题。
它的理论依据是认知科学的一个经典发现：如果你先看答案再给出推理，会高估自己的推理能力；反过来，先给出预测再看答案，校准精度大幅提升。预提交预测就是把这条发现工程化——它的价值不在于能多抓几个 bug，而在于创造了一个可度量的校准回路：每次 review 结束都能对比预测命中了多少、漏了多少，漏掉的问题类型就是系统的认知盲区，而盲区暴露的那一刻就是下一次进化的入口。
关键信息
- 类型：方法论 / 代码审查设计
- 领域：AI 编程 / Agent 工程 / 代码质量
- 提出来源：claude-ship 的 review agent
- 理论根基：认知科学”先预测再看答案提升校准精度”、前瞻性思维
- 相关概念：事前验尸、Loop Engineering、自我改进代理系统、验证者子代理
核心特性
三步工作流程
- 先不读代码：只读 design.md 和 implementation.md，基于设计列出 3-5 个最可能的缺陷区域。
- 带着预测去审代码：验证预测是否成立。
- 双向记录：既记录预测命中的问题，也记录预测未覆盖的问题——后者更重要，说明预判有盲区。
预测起点是 memory，不是直觉
预提交预测的起点不是 reviewer 的临场直觉，而是 memory。每完成一个 feature，retro agent 把 hard-won 的教训存入 memory；下一个 feature 的 review 启动时，先从 memory 检索相关的历史事故模式作为预测的候选起点。这意味着系统的审查能力会随使用次数增长而增长——在 claude-ship 的实测里，六个月后 memory 存了 7 条事故模式，预测命中率从五成提到七成多，且不靠模型升级（“Opus 还是那个 Opus”）。
校准回路：盲区即进化入口
预提交预测真正的工程价值是把审查变成一个可度量的校准回路。因为每次都先落下预测再对照结果，就能量化”命中/漏掉”，漏掉的问题类型直接暴露系统的认知盲区。这个盲区随后可以被写回 memory，成为下一轮预测的优先关注区，形成”校准积累”这一维度的复利。
与事前验尸的同源关系
预提交预测与 事前验尸（pre-mortem）同源：两者都是”先假设/预测，再验证”以对抗过度乐观和事后偏见。区别在于事前验尸假设”项目已经失败了，为什么”用于项目启动前的风险管理，而预提交预测假设”这段代码最可能在哪出错”用于代码审查前的缺陷预判；预提交预测还额外引入了可度量的命中率校准回路和 memory 驱动的复利机制。
不同素材中的观点
- 2026-07-10-juejin-loop-engineering-claude-ship：作者称这是整套 loop 体系里最满意的设计，也是体系的”灵魂”——因为它创造了可度量的校准回路，而非因为它能抓多少 bug。文章强调这套机制之所以有效，前提是 memory 准入规则足够严格（Non-Googleable / Codebase-Specific / Hard-Won 三条铁律 + 5-8 条硬上限）：存 100 条”注意边界条件”级别的废话，下次检索就是噪音，命中率反而下降。“少而精的 memory 才是进化的燃料，多而杂的 memory 是进化的阻力。“
实用信息
落地要点
- 先落预测再看代码：审查者（无论是人还是 review agent）必须在阅读实现前写下预测，否则校准精度会因”先看答案”而虚高。
- 记录漏掉的比记录命中的更重要：漏掉的问题类型是系统盲区，应被写回 memory 或 Skill 供下次预测优先关注。
- 给预测喂高信号 memory：预测质量取决于 memory 质量，必须用严格准入规则保证 memory 是高信号历史事故模式而非通识废话。