Как настроить сквозную верификацию в Claude Code: 7 правил Anthropic с изоляцией проверок и гейтами коммитов
Инженеры Claude Code описали архитектуру проверок изменений без ручного вычитывания каждого диффа.
Зачем агенту сквозная верификация
16 ноября 2026 года в инженерном блоге Claude вышел разбор внутренней системы верификации кода. По данным команды Claude Code, около 90% кодовой базы репозиториев пишется и проверяется самой моделью. При таком объёме ручной построчный разбор каждого диффа инженерами становится узким местом, поэтому разработку перевели на контур автономной верификации.
- Главный принцип подхода: сквозное исполнение кода в окружении важнее изолированных юнит-тестов.
- Архитектура строится на сочетании локальных smoke-тестов, дифференциального анализа и строгой изоляции правил проверки от самого агента.
- Вся система верификации подчинена семи правилам, исключающим слепое доверие к сгенерированному коду.
1. Сквозной запуск изменений вместо одних юнит-тестов
В Anthropic подчёркивают, что мобильное приложение не выпускают в продакшн без проверки в симуляторе, и то же правило действует для ИИ-агентов. Claude Code поручают тестировать приложение целиком, воспроизводя действия живого QA-инженера.
- Для веб-интерфейсов модель использует официальное расширение Claude Chrome extension.
- Для мобильных платформ задействуют специализированные MCP-серверы под iOS и Android.
- Для десктопных приложений вызывают компьютерное зрение и управление курсором (computer use), а для бекенда поднимают изолированный локальный сервис.
Команды запуска тестового окружения стандартизируют через агентский скилл verify, который размещают в каталоге .claude/skills/ максимально близко к проверяемому модулю. Модель обучена автоматически запускать этот скилл перед фиксацией изменений.
2. Лимит на 3 попытки автоисправления
Если проверка падает, Claude запускает цикл исправления ошибок. Однако бесконечные попытки модели починить сломанный тест сжигают контекст и уводят архитектуру в сторону.
- Если тест продолжает падать после трёх последовательных раундов исправлений, Claude останавливает работу и подключает инженера-человека.
- Проверки пишут непосредственные владельцы модулей (code owners), настраивая триггеры под критические участки логики.
- При эскалации бот формирует развёрнутое сообщение с точной причиной падения, избавляя ревьюера от самостоятельного поиска проблемы в диффе.
3. Чек-лист надёжности из 39 пунктов по триггерам из диффа
В репозитории поддерживается централизованный чек-лист надёжности из 39 пунктов, составленный по следам реальных инцидентов и аварийных откатов PR. Каждый пункт содержит условие срабатывания, проверяемое прямо по диффу, конкретную инструкцию и ссылки на прошлые инциденты.
Например, при модификации хранилища сессий или типов сообщений активируется правило обратной совместимости --resume loads old transcripts. Модель проверяет, прочитает ли новая версия старые транскрипты, где отсутствуют добавленные поля. При анализе диффа Claude проверяет не весь чек-лист, а только совпавшие триггеры — обычно от 3 до 10 пунктов.
4. Изоляция правил в REVIEW.md на базовой ветке
Попытка улучшить качество ревью наслоением нескольких дорогих моделей друг на друга даёт худший результат, чем точечная настройка одного ревьюера. В проекте создают файл REVIEW.md с описанием фокуса внимания для конкретного каталога. Каждый следующий раунд проверки опирается на контекст прошлых итераций и зафиксированных ошибок.
Ключевое правило безопасности гласит: изменение не имеет права модифицировать проверку, которая его оценивает. Инструмент Code Review считывает файл REVIEW.md исключительно из базовой ветки по умолчанию (main), игнорируя любые правки этого файла внутри проверяемого pull request.
- Ревью запускается строго на конкретные коммиты: проверка незакоммиченных диффов обесценивается при параллельных пушах в ветку.
- Дешёвые проверки выполняются в первую очередь: тесты, локальная сборка и линтер отрабатывают до открытия PR, экономя время общего CI.
5. Гейты коммитов: режимы off, observe и enforce
Каждый коммит в репозитории получает системный штамп о пройденной верификации. Штамп содержит даже значение none, позволяя быстро находить непроверенные коммиты через поиск по истории.
Гейт коммитов блокирует сохранение изменений, если в сессии не выполнялись команды /code-review или /verify. Механизм поддерживает три рабочих режима:
- Режим off: проверки отключены, гейт не влияет на работу.
- Режим observe: система только логирует коммиты, которые были бы заблокированы, выявляя ложные срабатывания без помех для разработки.
- Режим enforce: коммит блокируется при отсутствии подтверждения верификации.
Для защиты от тупиковых ситуаций предусмотрен аварийный механизм: коммит разрешается сопроводить пояснением в сообщении, а после двух блокировок подряд третья попытка пропускается автоматически.
6. Оценка качества ревьюеров и градации замечаний
Команда регулярно тестирует самих ревьюеров через формальные эвалы на базе прошлых инцидентов. Репозиторий воссоздают в состоянии на момент ошибки, а модели дают эталонный ответ в одно предложение. Баллы начисляются только за находки, точно описывающие суть бага, а стабильные коммиты служат контрольной группой от гипердиагностики.
- Полноту выявления ошибок замеряют раздельно для черновых находок, этапа пост-проверки и финального ревью.
- Замечания делят на три категории: Important (критические), Nit (мелкие шероховатости) и Pre-existing (существовавшие до текущего изменения, за которые автор не отвечает).
7. Превращение инцидентов в правила и удаление нестабильных тестов
Для конвертации пропущенных багов в правила используются два метода. Первый — извлечение паттернов из комментариев инженеров и ревертов PR. Паттерн должен встретиться минимум в двух PR и считываться по диффу. Три независимых агента пытаются опровергнуть гипотезу, после чего человек утверждает правило через отдельный PR.
Второй метод — прогон трёх детекторов багов по PR с известной аварией. Если минимум два детектора находят проблему на компактном диффе, формулируется новое правило в REVIEW.md.
- Борьба с нестабильными тестами: Claude запрещено маскировать флакающие тесты вставкой тайм-аутов sleep или перезапусками в цикле. Если первопричина сбоя не найдена, модель удаляет нестабильный тест и документирует причину.
- Регулярная чистка: списки тестов, шаги проверок и файлы инструкций периодически ревизуют и сокращают, чтобы контур не замедлял разработку.
Всё самое интересное — в нашем Telegram-канале «Claude без воды».