Многомодельный рабочий процесс проверки кода, упакованный как переиспользуемый навык

Разработчик упаковал многомодельный workflow ревью кода как многоразовый навык/runbook, доступный на GitHub. Подход использует один агент-оркестратор, координирующий несколько независимых агентов-ревьюеров/моделей, затем объединяет результаты в итоговый обзор. Ключевая идея: разные модели находят разные ошибки, и когда несколько моделей независимо указывают на одну и ту же проблему, уверенность возрастает. Оркестратор дедуплицирует, отфильтровывает слабые находки, проверяет очевидные ложные срабатывания и публикует один чистый результат.

Два режима

Workflow поддерживает два режима:

• Ревью PR: подготавливает локальные base/, head/, PR_DIFF.patch и PR_METADATA.json, запускает несколько ревьюеров только для анализа, затем оркестратор публикует одно сводное резюме и инлайн-комментарии в PR. Разработан для избежания коллизий с pending-review в GitHub.
• Ревью не-PR области: проверка папки/модуля/развертывания/скриптов; ревьюеры просматривают общий локальный снимок; оркестратор публикует консолидированный REVIEW.md в репозиторий.

Протестированная конфигурация моделей

В тестовой конфигурации используется GPT-5.5 как оркестратор, а GPT-5.5, DeepSeek V4 Pro, Kimi K2.6, Qwen 3.6 Plus и GLM-5.1 как ревьюеры. Однако workflow не привязан к конкретной модели/агенту. Он протестирован с OpenClaw и, как сообщается, даёт отличные результаты.

Ключевые уроки

• Общий снимок: не позволяйте каждому сабагенту самостоятельно клонировать/загружать репозиторий. Оркестратор должен подготовить общий снимок и передать локальные пути ревьюерам. Быстрее, дешевле и меньше странных ложных срабатываний.
• Все не-GPT модели запускались через Fireworks. Для больших задач автор предлагает заменить Kimi и Qwen на что-то другое, так как эти две иногда зависают.

Репозиторий находится по адресу github.com/rmichelena/multireview. Автор ищет обратную связь, особенно от тех, кто использует многомодельные workflow ревью кода.