Sashiko 增设性能审查,回归检出率提升
Linux 内核 AI 审查工具 Sashiko 0.9.5 增加专门的性能回归审查阶段,在开发者选取的 40 个提交中,已知问题检出率从 15% 提升至 70%。这一结果尚需更广泛的真实补丁验证。
AI 深度解读
代码没有写错,系统却变慢了,这类问题恰好容易逃过以正确性为中心的 AI 审查。Linux 内核代码审查工具 Sashiko 在 0.9.5 中增加了专门的性能回退审查阶段,在开发者挑选的 40 个历史提交上,把已知性能问题的检出率从 15% 提高到 70%。
值得拆解的不是这个数字有多漂亮,而是它调整了审查的提问方式:沿着改动继续查调用关系、内存布局和规模效应,同时限制 AI 随口提出的优化建议。这套方法有参考价值,但离证明真实开发中的效果,还有距离。
为什么代码正确,性能还是会退步
Sashiko 原有的 goal、implementation、execution-flow、resources、locking、security、hardware 阶段,关注的都是代码正确性。缓冲区溢出、内存泄漏、竞态条件属于这类问题,但性能回退可能来自完全正确的改动。
原文举了三个曾通过人工审查并合入的案例。
一次修改删除了 vmpressure 结构体中的字段,结构体变小,却让它与外层 mem_cgroup 中的高频计数器落在同一条缓存行上。缓存行是 CPU 读写内存的基本单位;多个 CPU 反复写同一条缓存行,会产生额外的协调开销。局部看是在精简结构,放到实际内存布局里却增加了争用。
另一次修改给 MIDI 输出增加了 spinlock,而该场景需要的是 RCU(Read-Copy-Update)同步机制。互斥访问与并发读取的成本不同,不能只检查加锁后逻辑是否正确。
还有一次,virtio-scsi 在磁盘发现过程中调用 synchronize_rcu_expedited(),让磁盘较多的服务器启动停顿了 15 秒。
这些案例的共同点是:提交原本为了修复问题、清理代码或重组结构,性能损失却出现在副作用里。原文设计文档认为,几乎所有相关回退都属于这种模式;这应理解为作者对所研究案例的归纳。
正确性审查通过,并不能替代对执行成本的审查。
新阶段真正改变的是审查范围和报告门槛
新增的 performance 阶段首先要求 AI 向改动之外追查一到两层。改了结构体,就检查包含它的结构和布局;给函数加了锁,就检查调用者,以及它是否位于高频执行的热路径。
它通过 git_grep、git_read_files 等仓库调查工具完成这些追踪。重点不是多读一些文件,而是找到决定成本的上下文:谁调用它、调用多少次、哪些 CPU 会同时访问。
低频执行的冷路径也不能直接放过。服务器启动可能只发生一次,但磁盘发现可能对每块磁盘执行一次。单块磁盘上的等待不明显,几百块磁盘累积起来,就可能形成 O(N) 的延迟增长。
另一项设计是限制报告噪声。性能审查很容易变成优化建议大会,因此该阶段排除了缺少依据的微优化,包括添加 likely/unlikely、手动内联,以及对执行次数有明确上界的代码提出优化建议。
「漏做优化」只在两种情况下允许报告:提交说明宣称实现了某项优化,代码实际上没有做到;或者同一条热路径中,部分操作已经批处理,相邻操作却仍逐个执行。
同时,AI 不能仅凭「锁持有时间很短」「只是冷路径上的后处理」「正确性要求这样改」就否定性能影响。这些描述可以成为分析条件,却不能直接充当排除证据。
这套规则同时收紧了两个方向:调查范围要扩大,结论门槛要提高。否则,多加一个审查阶段,很可能只是多收一批含糊的建议。
15% 到 70%,到底测出了什么
开发者用了 40 个 Linux 内核历史提交:20 个存在确认的性能问题,20 个被验证为没有问题的改动。模型为 Gemini 4 Argon,reasoning effort 设置为 high。
问题集里,8 个来自 Sashiko 既有基准中的漏检案例,12 个从 2025 至 2026 年的主线内核中挖掘,选样偏向普通修改带来的意外副作用。
对照集则选择运行超过六个月、没有对应修复或回退提交的改动,覆盖非热路径的锁或结构调整、内存管理或网络热路径修改、常规驱动补丁,并刻意纳入容易触发误报的案例。
结果可以分成三组看:
- 20 个已知问题中,旧配置检出 3 个,新配置检出 14 个,检出率从 15.0% 升至 70.0%,增加 55 个百分点。新增检出的 11 个案例中,9 个由 performance 阶段单独发现。
- 20 个对照提交中,完全没有发现项、被判为干净的提交从 11 个增至 12 个。开发者报告没有新增出现误报的提交,但这不等于没有误报;全部 40 个提交中,未匹配到已知问题的额外发现项仍有 51 个,旧配置为 52 个。
- 每个提交的输入 token 中位数从 661 万增至 734 万,约增加 11%;审查时间中位数从 980 秒降至 950 秒,约下降 3.1%。
各阶段并行运行,使新增阶段没有在这次评测中拉长总时间。但原文没有进一步解释时间下降的原因,不能据此断言增加阶段能让审查更快。输入 token 的增长,也不能直接换算成相同比例的费用增长。
Sashiko 以 Rust 实现,采用 Apache License 2.0,主要面向 Linux 内核,并扩展 GCC、QEMU、Zephyr RTOS 等项目。它支持本地审查和邮件列表补丁自动审查,公共实例的计算基础设施与模型使用由 Google 资助。
本地可以只选择性能阶段:
sashiko review --stages performance
这里要看的是 --stages performance,它明确限定了审查任务。另有 --cheap 可合并多个分析阶段来降低 token 用量。运行需要 Rust 1.90 或更高版本、Git,以及配置好的 AI 模型连接;代码可能发送给所配置的 AI 提供方,使用前要核对保密要求和 API 费用。
0.9.5 还增加了 Prometheus 格式的指标端点、扩展统计面板,以及按补丁系列归组的通知邮件。这些属于配套能力,不能当作性能检出率提升的证据。
我的判断
我认可它把性能审查独立出来,并要求沿调用关系和数据布局寻找证据。相比笼统地要求 AI「顺便检查性能」,这种明确的调查范围和报告边界,更容易复查结果,也更容易约束无效建议。
但 70% 目前只是开发者自评中,这组特定样本的检出率。问题集刻意偏向新阶段针对的副作用型回退,模型和推理配置也固定,不能直接外推到普通团队或全部内核补丁。对照提交长期没有修复或回退,是有价值的筛选依据,却不保证所有潜在问题都已暴露。
原文也没有提供不同模型、不同配置的充分对照,更没有公布实际进入内核的性能回退数量已经下降的数据。因此,它支持「这种审查设计在所选样本上有效」,尚不足以支持更宽泛的质量承诺。
AI 适合提出可核验的性能疑点,实际损失仍要靠测量确认。
基准测试、性能剖析和压力测试能提供运行证据,AI 则能帮助定位该测哪里,两者适合配合使用。
能拿来做什么
- 给日常 AI 审查单独增加性能任务,要求先追查一到两层调用关系或数据依赖,再说明影响发生的路径、触发规模和证据,减少只有优化结论的建议。
- 审查 Node 服务中的循环初始化或批处理改动时,检查单次成本会被重复多少次。不能因为某个流程低频执行,就跳过 O(N) 累积开销的分析。
- 给 AI 的性能报告设定门槛,要求指出具体退化机制;对无法证明影响的微优化建议暂缓处理,把验证精力集中到热路径和规模增长上。
- 试用 Sashiko 时,先用自己项目的历史问题和正常提交做对照,同时记录检出、误报、token 和耗时,再决定是否接入持续审查。