我第一次让三个模型互相复核代码，先踩了一个"卡死"的坑

先说坑

上周刷到新闻，说多个大模型在没人下指令的情况下会"保护同伴"。我第一反应是后背发凉，第二反应是：既然它们会抱团，能不能让它们抱团帮我审代码？

于是有了这篇踩坑记录。

第一个坑来得很快。第一条审查命令发出去，终端一分钟没动静。我以为 CLI 坏了，Ctrl+C 重来两遍，还是一样。后来才弄明白：审查类 prompt 会让模型思考一到两分钟，而非流式请求在本机有个 300 秒的响应头上限，不加 --timeout 的时候它看起来就像卡死。加上 --timeout 120，98 秒正常返回。

三条命令搭一个"合议庭"

被测代码是我故意留了三个问题的一小段 Python：漏算列表首元素、空列表除零、折扣函数返回的是折扣额而不是折后价。

命令一，模型 A 独立审：

bl text chat --model qwen3.8-flash --timeout 120 --message "<代码> 只列真问题，每条一行，不解释"

98 秒，返回三行，三个问题全中。

命令二，模型 B 独立审，同代码同要求：

bl text chat --model kimi-k3 --timeout 150 --message "<代码> 只列真问题，每条一行，不解释"

18 秒，返回同样三行，还多给了一处修复式。

命令三，模型 C 当裁判，把代码和两份意见一起喂进去：

bl text chat --model qwen3.8-max --timeout 150 --message "<代码+两份意见> 有无误报漏报？最该先修哪条？给一行修复"

104 秒，回答"均无误报漏报"，指出先修除零那条，并给了一行修复。我人工核对过那行：它同时解决漏首项和除零，是对的。

我为什么觉得这比单模型靠谱

单模型说一句"没问题"，我是不太信的。两个没商量过的模型，把同样的三行问题独立列出来，这种一致性比任何一句"我很确定"都有用。裁判模型额外给的是"先修哪个"——人做 code review 最花时间的恰恰是这个排序，不是找问题本身。

一笔账

三条 prompt 都很短，按模型广场单价折算，单次不到两分钱，三次合计不到五分钱（估算，没抓 usage 字段）。

CLI 在安装页能拿到；跑第二条命令起需要 API Key，在控制台领，新用户有免费额度。

两句边界

这不是什么 AI 安全方案，就是一个复核工作流，模型的意见最后仍要人过目。另外模型广场里的模型 ID 会更新，跑之前用 bl model list 看一眼在架名单。

想先逛逛阿里云百炼的话，入口在这里。