open-code-review：构建自动化代码评审流程的工程实践

1. 项目概述：open-code-review 到底解决什么问题

做研发管理或者带过团队的朋友，大概率都有过这种体验：代码评审这个环节，人人嘴上说重要，实际执行起来却最容易被牺牲。需求排期紧张的时候，第一个被砍掉的就是Code Review；团队人一多，PR堆积成山，评审质量直线下降；更常见的情况是，Reviewer打开diff页面，看到几百行变动，根本不知道从哪看起，最后只能回一句"LGTM"了事。

open-code-review这个项目，我理解它本质上做的是这么一件事：把"代码评审"从一种依赖个人自觉的软性活动，变成一套有规则、有流程、有工具支撑的硬性机制。它不是一个简单的Lint插件，也不是一个代码托管平台的付费功能，而是一套开放的、可自托管的代码评审实践方案，核心包括评审规则库、自动检查脚本、变更分析工具，以及和CI流水线的集成层。

这个项目适合谁来用？首先是那些PR流程已经跑起来、但评审质量参差不齐的中小团队，其次是希望在不引入重量级商业工具的前提下，把评审规范固化下来的技术管理者，还有对代码质量有执念、想给自己项目搭一套自动化评审门禁的独立开发者。说白了，open-code-review提供的是一个"评审基建"的参考实现，你可以直接拿来用，也可以按自己的团队文化改成一版专属的。

我个人在实际使用中感受最深的一点是：这个项目的价值不只是省时间，而是把评审双方的注意力拉回到真正重要的事情上。Change的大小、影响范围、风险点、测试覆盖情况，这些信息在评审前就被自动整理好了，Reviewer打开PR的时候，心里已经有一张地图，而不是面对一片原始森林。

2. 整体设计思路：为什么需要一套开放的评审机制

2.1 传统评审模式的三个致命痛点

先把话说透，传统的Code Review流程，不管用的是GitHub的PR还是GitLab的MR，模式上大同小异：开发者提交代码，指定Reviewer，Reviewer看diff，写评论，开发者修改，再review，最后合并。听起来没什么问题，但实际跑起来，有三个痛点几乎每个团队都会遇到。

第一个痛点是评审启动成本太高。Reviewer接到通知后，要先自己理清楚这个PR要解决什么问题、改动涉及哪些模块、有没有连带影响。如果开发者没有写清晰的PR描述，这一步可能就要花十几分钟。一个中型PR拿到手上，光是"进入状态"的时间就够喝一杯咖啡了。

第二个痛点是评审标准不统一。每个人对"好代码"的理解不一样，有的Reviewer死抠命名规范，有的只看逻辑正确性，有的盯着性能不放。同一个PR，不同人看，提的意见可能完全不一样，甚至互相矛盾。开发者也委屈，改了一版又改一版，不知道到底听谁的。

第三个痛点是评审疲劳。当一个PR的diff超过500行，人的注意力和判断力会急剧下降，这是认知心理学的基本规律。大部分Reviewer面对大PR，只能走马观花地看个大概，真正的问题反而被漏掉了。更麻烦的是，这种疲劳会传染——大家开始觉得评审就是个走过场的形式，投入产出比太低，于是更不愿意认真看。

2.2 open-code-review 的核心设计原则

open-code-review针对上面三个痛点，设计上遵循了几条明确的原则。

原则一：把上下文带进评审流。项目提供了一套PR描述模板和自动生成器，要求开发者填写变更背景、影响范围、自测结果、风险点。这些信息会以结构化形式呈现在评审入口处，Reviewer不用再去翻需求文档或者猜代码意图，评审启动时间能压缩一半以上。

原则二：让规则替代主观判断。凡是能用自动化工具判断的，就不要让人去争论。格式问题交给Formatter，常见Bug模式交给静态分析器，安全漏洞交给专门的扫描工具。open-code-review把这些工具的规则配置全部沉淀到仓库里，统一管理、统一执行，把"人的评审"从琐碎的低级问题中解放出来，聚焦在架构合理性、逻辑正确性、可维护性这些真正需要人类判断力的地方。

原则三：控制单次评审的认知负载。项目里的变更分析模块会自动计算PR的diff规模、圈复杂度、改动文件数，超过阈值就提示拆分。这不是教条，而是基于一个很朴素的道理：一次评审能消化的信息量是有限的，把大改拆成小步提交，评审质量会明显上升。

这里多提一句架构上的取舍。open-code-review没有做成一个"全家桶"式的平台，而是坚持开放、可组合的设计：核心是一个规则引擎和一组CLI工具，外层通过脚本和Webhook对接不同的代码托管平台和CI系统。这样的好处是，你可以只接入其中某一个模块（比如只接自动变更分析），也可以完整落地整套流程，不会被绑架在某个特定平台上。

2.3 方案选型：为什么是"开放"而不是"闭源平台"

市面上做代码评审的平台和工具其实不少，商业化的有GitHub Code Review、GitLab Ultimate、Upsource、Helix Swarm等，开源单点的工具有Review Board、Gerrit、Phabricator。为什么会有人乐意鼓捣open-code-review这种自托管方案？我的理解是，它切中的是"开放"这两个字背后的多重含义。

第一层含义是流程开放。评审规范、Checklist、规则配置全部以代码形式存放在仓库里，谁提了修改意见，历史记录一清二楚。这比在文档中心里放一份没人看的评审规范要有效得多——规则跟着代码走，改起来要走MR流程，天然自带审计能力。

第二层含义是工具链开放。open-code-review不绑定特定的CI系统，GitHub Actions、GitLab CI、Jenkins都能接；不绑定特定的语言栈，Python、JavaScript、Go、Java的生态工具都能通过规则引擎挂进来。本质上它提供的是一套"胶水层"，把生态里最好的工具粘合成一条完整的评审流水线。

第三层含义是数据开放。评审过程中产生的统计数据（评审耗时、问题密度、常见缺陷类型、各模块缺陷率）都以结构化形式输出，可以导入到任意BI系统做进一步分析。这些数据反过来能指导团队做改进——比如发现某个模块的缺陷率一直偏高，就该安排一次专门的技术债清理了。

2.4 与常规CI检查的区别

很多团队会说：我们也有CI检查啊，ESLint、Go Vet、SonarQube都在跑，还需要open-code-review做什么？这里要分清楚，传统的CI检查是"门禁思维"，只告诉开发者"你这里不合格、不能合并"，它回答的是"代码现在有没有明显问题"；而open-code-review解决的是"评审过程怎么组织才高效、评审决策怎么留痕才可追溯"。

打个比方，CI检查像体检报告上的指标，告诉你血脂高、血压高，但真要判断一个人的健康状况，还得靠医生综合问诊、看历史、做判断。open-code-review不是替代"医生"，而是给医生配了一个助手，提前把病历整理好、把重点标出来、把常见病先排除掉，让医生把精力放在真正复杂的病例上。

3. 核心细节解析与实操要点

3.1 评审状态机的设计与流转规则

open-code-review的评审流程核心是一个清晰的状态机。相比很多团队"PR一开、评论一聊、合并了事"的混沌状态，状态机的好处是让每个环节的责任和输入输出都明确，出了问题可以追溯到具体节点。

我常用的状态定义如下：

这个状态机在实现层面上并不复杂，核心是监听代码托管平台的Webhook事件，把PR状态同步到内部的数据模型，再根据状态流转触发对应的自动化动作。如果团队用的是GitHub，我会建议把规则配置成"Require pull request reviews before merging"＋"Dismiss stale reviews"两个选项打开，其他交给脚本去处理。

实操中有一个值得注意的点：Draft状态一定不要跳过。很多开发者习惯直接把PR发出来，边写边改，Reviewer被频繁的通知轰炸，最后已经麻木了。我要求团队必须先走Draft阶段，等CI全绿、自测说明填好、PR描述模板写完，再正式请求评审。这个习惯一旦养成，评审效率提升非常明显。

3.2 PR描述模板：一篇合格评审说明书的写法

说了半天PR描述模板，具体长什么样总得聊一聊。open-code-review里内置了一份默认模板，我会根据团队情况做一些裁剪。核心字段大概有这几类：

• 变更背景：为什么要做这个改动，解决什么问题，关联的需求或者Issue编号。
• 变更内容：分点列出改了什么，每个文件/模块的变更意图是什么。
• 影响范围：这个改动会影响到哪些服务、哪些调用方、哪些数据流。
• 自测记录：本地跑了哪些测试用例，手动验证了哪些场景，结果如何。
• 风险点：有没有不确定的地方，有没有需要Reviewer特别关注的逻辑。
• 部署/回滚方案：涉及配置变更、数据库迁移、接口变更时需要说明。

有人可能觉得写这些很麻烦，但在实践里，这份模板本身就是一种"强制思考工具"。很多人写PR描述的时候才第一次认真回顾自己的改动——原来这里有边界情况没处理、原来这个变更会影响下游服务的超时配置。评审前的自我梳理，本身就是一层质量保障。

为了让这个环节不那么痛苦，我会在仓库里准备一个脚本，自动生成PR描述初稿，把git diff的文件清单、commit message、关联分支信息填好，开发者在初稿基础上补充完善即可。不用从空白开始写，心理负担小很多。

3.3 评审Checklist：自动化能管的和必须人来看的

评审清单是open-code-review项目的灵魂之一。但要注意，Checklist不是越细越好，太细了会造成"打勾疲劳"，反而让人忽略真正重要的问题。我倾向于把Checklist分成三层：

第一层：基础检查（自动化执行）。命名规范、格式统一、单测覆盖、重复代码、安全漏洞、依赖版本、死代码。这些全部交给工具去跑，规则配置在.open-code-review/目录下，随仓库版本管理。

第二层：变更逻辑检查（人+工具配合）。这个PR是否完整实现了需求？有没有遗漏的边界分支？异常路径处理是否合理？错误信息是否足够可诊断？这一层工具可以提供辅助信息（比如圈复杂度提醒、变更影响矩阵），但最终判断必须人来下。

第三层：架构与长期可维护性检查（纯人工）。这个改动是否符合模块边界？引入的新依赖是否必要？技术栈是否引入不必要的复杂度？代码的可读性和可扩展性如何？这部分没有工具能代劳，是Reviewer真正的价值所在。

落地方式上，我会在PR里嵌一个Checklist模板，Reviewer逐项勾选。为了减少机器味，每项都要求至少写一句确认依据或者疑问。比如不能只勾"测试覆盖充分"，得写"新增12个单测覆盖了正常与异常分支，详见测试文件xx"。如果项太多，可以按PR类型裁剪——修Bug的PR重点看测试和回归风险，加功能的PR重点看设计和边界。

3.4 自动变更分析模块的技术要点

open-code-review的变更分析模块，个人认为是这个项目里技术含量最高的部分。它做的事情可以拆成两步：第一步是解析diff，提取变更的元信息；第二步是基于元信息做一系列的启发式判断，输出评审建议。

在解析diff这一步，项目会针对不同的语言调用对应的解析器——Python用的是AST、JavaScript/TypeScript用的是Babel、Go/Golang用的是官方parser，解析出每个变更函数/类的签名、依赖关系、被调用点。这一步的核心价值在于影响推断：改了一个公共工具的入参，到底有多少调用方受影响？工具会在评审开始前就把这个信息列出来，比如"本次变更涉及utils.py中validate_email函数的签名修改，影响模块：auth、user、notification，建议重点回归"。

再往下就是启发式判断规则，我挑几个实际中感知最强的规则聊一下：

• 超大变更检测：单文件变更超过200行或者单PR变更超过500行，触发告警，提示评估是否需要拆分。
• 复杂度突变检测：对比变更前后的圈复杂度，如果新增复杂度超过阈值（比如单函数复杂度从5涨到12），提示Reviewer关注可维护性。
• 重复代码检测：识别diff中出现的与仓库既有代码高度相似的新增片段，提示"考虑复用现有工具函数"。
• 测试相关性分析：根据变更文件和仓库的测试映射，自动列出需要运行的测试集，避免"改了A模块、忘了跑B模块的测试"这类低级事故。
• 配置漂移检测：检查变更是否需要同步更新示例配置、文档或者版本号。

这些规则没有一条是特别高深的，但组合起来，确实能在Reviewer打开PR的第一时间，就提供一个相当有信息量的"简报"。

3.5 规则目录结构的组织方式

规则相关文件的目录结构，我推荐这样组织：

.open-code-review/ ├── rules/ # 规则配置 │ ├── python.yaml # Python 静态分析规则 │ ├── javascript.yaml # JS/TS 规则 │ └── common.yaml # 语言无关的通用规则 ├── checklist/ │ └── default.md # 默认评审清单 ├── scripts/ │ ├── analyze_diff.py # diff 解析与影响分析 │ ├── generate_report.py # 生成评审简报 │ └── check_ci.py # CI 集成的检查入口 ├── templates/ │ └── pr_description.md # PR 描述模板 └── config.yaml # 总配置文件

config.yaml里会定义一些全局参数，比如单文件变更行数阈值、单PR变更文件数阈值、圈复杂度阈值等。每个团队可以根据自己的项目体量调整，小项目阈值可以放宽，大项目尤其是核心服务建议从严。

4. 实操过程与核心环节实现

4.1 环境准备与项目初始化

这一节是全程实操的部分。以我常用的一个Python后端项目为例，假设代码托管平台是GitHub，CI用的是GitHub Actions，语言栈是Python 3.11加FastAPI。

第一步，把open-code-review的脚手架拉下来，放到仓库根目录：

git clone https://github.com/yourname/open-code-review.git .open-code-review cd .open-code-review python -m venv venv source venv/bin/activate pip install -r requirements.txt

注意这里我建议直接把整套工具链以子目录形式放进目标代码仓库，而不是作为独立的公共仓库。好处是规则配置、脚本版本和代码仓库的演进保持同步，不会出现"规则库更新了、但老分支还在用旧规则"的割裂情况。

第二步，编辑根目录的config.yaml，先看几个关键参数：

# config.yaml thresholds: max_files_per_pr: 15 max_lines_per_file: 200 max_complexity: 10 max_cyclomatic_complexity_delta: 5 min_test_coverage: 80 reviewers: min_approvals: 1 auto_assign_enabled: true auto_assign_count: 2 notifications: on_ready: true on_approve: true on_request_changes: true on_merge: false

解释一下为什么这样配。max_files_per_pr设成15，是因为超过15个文件的PR，Reviewer很难全部认真看完，建议拆分；min_test_coverage设80是我见过的比较合理的基线，要求太高（比如95%）会导致团队为了凑覆盖数字写一堆没有断言的"假单测"；auto_assign_count设2，是保证每个PR至少有两个人的视角，但又不至于让评审责任过于分散。

第三步，跑一下自检，确认本地的规则配置和脚本能正常工作：

cd .open-code-review python scripts/check_ci.py --dry-run

如果输出类似"Configuration OK, 0 blocking violations"，说明本地基础环境就绪，可以继续往下走。

4.2 接入GitHub Actions实现评审门禁

环境准备好之后，下一步是把open-code-review挂到CI流水线上。在仓库的.github/workflows/目录下新建code-review.yml，核心配置参考如下：

name: code-review-gate on: pull_request: types: [opened, synchronize, ready_for_review] pull_request_review: types: [submitted, edited, dismissed] jobs: automated-review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - name: Setup Python uses: actions/setup-python@v5 with: python-version: "3.11" - name: Run open-code-review working-directory: .open-code-review run: | python scripts/check_ci.py \ --repo-root "${{ github.workspace }}" \ --diff-target "${{ github.event.pull_request.base.sha }}" \ --diff-source "${{ github.event.pull_request.head.sha }}" \ --config config.yaml - name: Upload review report uses: actions/upload-artifact@v4 if: always() with: name: review-report path: .open-code-review/report/

重点说一下这个workflow的设计考虑。pull_request_review这个事件也挂了进来，是为了实现一个能力：当Reviewer点击Request Changes时，可以触发一次自动检查，把当前分支的最新状态生成一份报告作为评论发布在PR里——方便Reviwer看到"修改之后还有没有明显问题"，减少一轮低效沟通。

check_ci.py这个脚本的输出会分为三个等级：error（必须修复才能合并）、warning（建议修复，不阻塞合并）、info（仅供参考）。error级别的规则主要涵盖：编译错误、安全高危漏洞、未解决的冲突、缺失必须文件的变更等。warning级别涵盖：复杂度超标、新增未使用依赖、高相似重复代码等。

在GitHub的分支保护规则里，需要把"code-review-gate"设置为必须通过的检查之一。当error级别的输出存在时，检查失败，PR无法被合并。这样，自动化门禁和人工评审就形成了一道双保险。

4.3 本地提交前检查的配置

CI门禁解决的是"提交之后"的问题，但很多低级错误如果在本地就能拦截，效率会更高，也更省CI资源。我给团队配了一个本地pre-commit钩子，用pre-commit框架管理。

.pre-commit-config.yaml的示例：

repos: - repo: local hooks: - id: open-code-review-local name: open-code-review local check entry: python .open-code-review/scripts/local_check.py language: system types: [python] pass_filenames: false

local_check.py做的事情可以很直接：跑一下Black的格式检查、Ruff的lint检查、Bandit的安全扫描、pytest的快速冒烟测试。这个钩子会在commit前强制执行，如果检测到阻塞级别的问题，直接拒绝本次提交。

会有开发者觉得"提交前跑测试太烦了，CI不是在跑吗"，我的看法是：本地跑的是秒级甚至几十秒级的轻量检查，拦截的是低级的语法错误和明显的风格问题；CI里跑的是全量静态分析、构建、集成测试，两个分工不同，不冲突。为了减少大家的抗拒心理，我会把本地检查控制在20秒以内，保证它只是一个"顺手就会跑"的轻量动作，而不是一根卡脖子的链条。

4.4 报告生成与评审数据可视化

open-code-review执行完之后，会生成一份Markdown格式的评审报告，自动发布到PR评论区。这份报告包含几块内容：

• 变更概览：改动文件数、新增/删除行数、涉及的主要模块。
• 自动检查结果：分error/warning/info三档列出所有问题，每条带文件、行号、规则ID和修改建议。
• 风险提示：基于变更分析模块给出的高风险区域，比如"shared/utils.py的改动影响了12个下游调用方，建议重点回归用户认证模块"。
• 测试建议：根据变更文件，列出应重点关注的测试文件。
• 评审清单：供Reviewer勾选的结构化清单。

这里有个很好的实践，是把这个报告的原始JSON数据（report.json）归档到CI的artifact里，然后定期汇总到团队的BI看板。就这么一个低成本的附加步骤，就能积累起关于"代码质量和评审流程"的第一手数据，可以按模块、按人、按时间段做多维分析。

4.5 从零到一在小团队落地的完整步骤

最后整理一个可以直接照抄的落地路径，一共四步，一周内能完成主体：

第一步（第1天）：在目标仓库初始化open-code-review目录，配置好规则文件和PR描述模板。第二步（第2-3天）：接入CI门禁，先在"非阻塞模式"下运行一周，让团队先看到报告的效果，养成看报告的习惯，不至于一上来就"合并不了PR"引发对立情绪。第三步（第4-5天）：收集团队反馈，调整阈值和规则。这个阶段很关键，规则不是越严越好，团队当前最痛的问题是Bug多就先加安全相关规则，是代码风格乱就先加格式化规则，不要贪多。第四步（第6-7天）：开启阻塞模式，把门禁真正立起来。同时培训团队按模板写PR描述、按清单做评审，搞定。

5. 常见问题与排查技巧实录

5.1 CI卡在自动检查阶段迟迟不结束

现象：PR已经push了，CI任务一直转圈，状态长时间pending。排查思路：优先看CI的执行日志。我在实践中碰到最多的情况是check_ci.py在解析diff时卡住了，原因是PR基于的base分支和当前分支之间出现了大量的无关历史变更，diff跨度过大，AST解析耗时过长。

解决方式：在脚本里加一个"diff规模上限"的快速通道，如果检测到变更文件数超过阈值（比如50个文件），自动跳过复杂的AST分析，只做文件级别的统计和权限检查，避免把CI拖死。做这样的降级处理是必要的——用"机器性能的损耗"换取"流程的稳定性"，这笔账怎么算都划算。

5.2 规则误报导致团队怨声载道

现象：某个规则频繁触发，但开发者认为是误报，拒绝修改。这种情况几乎每个用自动化检查的团队都会遇到。

我先从技术层面想解决办法，对于确定的误报，可以在代码中添加行内豁免标注（比如# noqa: RULE_ID），并在豁免处写明理由。项目维护者可以定期review豁免标注，如果某条规则的豁免率超过30%，基本可以判定这条规则不适合当前代码库，就应该调整规则本身而不是让开发者天天写豁免。

再说点技术之外的体会：规则的调整流程也要走PR、要走评审，把规则本身的"治理"也纳入到这套体系里。这样不论最终选择保留、修改还是移除某条规则，决策过程都是透明的，开发者的抵触情绪会小很多。我在实践中体会到，让被约束的人参与规则的制定，是消除推行阻力最有效的办法。

5.3 Reviewer不够用，自动分配不合理

现象：项目小、能评审的人就两三个，但PR特别多，指定Reviewer的规则形同虚设。

我的处理思路是放弃"自动分配固定Reviewer"，改成分层的策略：每个PR必须有一个模块负责人做Reviewer，这个人的判定可以结合CODEOWNERS文件；另外通过一个随机轮转池，给PR随机补充一个"流动Reviewer"。流动Reviewer不要求对模块很熟，主要做一次"外行视角"的检查——看可读性、看注释、看是否有过度设计。这种做法的效果是，既保证了核心质量责任制，又给了新人锻炼的机会，还缓解了核心成员被PR淹没的困境。

如果团队真的连一个稳定的审阅池都凑不起来，我会直接把评审门禁的min_approvals调低到1，并在CI里加强自动检查规则的严格程度，用机器来兜底一部分，等团队壮大了再逐步放开。

5.4 开发者敷衍填写PR描述和清单

现象：PR描述模板有了，但开发者填的尽是废话。"变更内容：更新了代码""自测记录：已自测"。这种内容对评审没有任何信息量，反而制造噪音。

我的处理方式：上报里增加一个"PR描述质量检查"规则。规则不要求某个字段具体写多少字，但要求必须包含可验证的信息实体——比如自测记录里必须出现测试文件名或测试命令，变更背景里必须出现关联的Issue编号或需求链接。这些信息用正则就能校验，不需要上什么AI技术。一旦规则发现缺少必填信息，就在PR上标记为"incomplete"，并给出具体的补全指引。这个规则上线后，PR描述的质量会肉眼可见地提高。

5.5 代码评审中的口语化沟通问题

最后聊一个很多团队没意识到的问题。评审本身不只是在挑代码的毛病，更是在进行技术沟通。很多冲突和低效，都源于评论表达太模糊或者太武断。比如"这段代码写得好奇怪""换个写法"这类评论，既没有指出问题在哪，也没给出改进方向，只会让开发者困惑和沮丧。

我在团队里定了一个"评审评论写作规范"：每条评论必须包含三要素——问题定位（精确到文件和行）、具体原因（为什么觉得不对）、改进建议（期望改成什么样，必要时给代码示例）。这条规范本身也可以沉淀成一条Checklist项。执行下来，评审双方的沟通质量提升很明显，比单纯去逼大家多写评论有用得多。

5.6 常见问题速查表

6. 后续扩展方向

open-code-review这套机制搭起来之后，后续的扩展空间其实非常大，而且都不是锦上添花，是实打实能继续提升团队效能的方向。

第一个方向是风险驱动的评审优先级排序。目前只要有PR就评审，但事实上不同PR的风险差异很大。后续可以让变更分析模块输出一个"风险分数"，接口变更、涉及支付或用户数据这类敏感模块的改动、依赖升级，自动提升优先级。低风险PR（比如纯注释修改、文档调整）甚至可以走快速通道，由自动检查直接放行。这样就能让有限的评审精力优先投放到风险最高的地方。

第二个方向是跨仓库的评审规范同步。如果团队有多个仓库，目前规则是各仓库独立维护，很容易出现规则漂移。后续可以做一个集中的规则发布机制，核心团队维护一套公共规则包，子仓库通过版本化方式引用，既能统一下限，又能保留各自的扩展空间。

第三个方向是评审数据驱动的团队建设。当评审数据的积累达到一定量级后，可以做很多的回顾分析：高频出现的缺陷类型是什么、哪个模块的技术债最重、新人入职后平均需要多长时间的评审磨合期。这些分析结果可以直接指导团队的技术培训、代码重构和导师制度设计。

我自己在实际使用中一个最大的感受是：open-code-review这套东西，重的不在工具，而在流程设计的思路。它强制让团队把"评审"从一件想起来才做的事，变成一条有输入、有输出、有反馈的稳定流水线。如果你的团队正处在"PR很多但质量不稳、评审很累但效果不佳"的阶段，我建议可以按上面的步骤先搭一个最小闭环出来跑跑看，大概率会在两周内感受到变化。