ИИ-агент напишет страницу настроек за минуту. Но ревью всё ещё требует суждения, а большинство чек-листов спрашивают, работает ли код, а не использует ли он дизайн-систему. Именно в этом зазоре на ревью одобряют локальный PrimaryButton с hex-цветом. Это руководство про ревью UI от ИИ с опорой на дизайн-систему: что искать, что автоматизировать и что ревьюеру всё ещё стоит оценивать глазами.
Коротко
- Ревью по дизайн-системе задаёт другой вопрос, чем ревью кода: не «работает ли?», а «переиспользовано ли то, что уже есть?».
- На каждом изменении UI стоит проверять пять видов находок: заново собранные компоненты, значения в обход токенов, устаревшие компоненты, инлайн-иконки и нарушенные правила команды.
- Автоматизируйте механические проверки в pull request, через который проходит каждое изменение, а суждение оставьте людям.
- Начните с комментариев, а не с блокирующей проверки. Делайте её обязательной, только когда находкам начали доверять.
Почему систему проверяют именно в pull request
Pull request остаётся последней точкой, где ещё можно спросить, место ли новому UI в системе. А объём быстро растёт. По данным GitHub Octoverse 2025, разработчики «в среднем мержили 43,2 млн pull request в месяц (+23% год к году)» (GitHub). Часть ревью теперь делает и ИИ. В посте GitHub о 60 млн ревью кода от Copilot сказано, что на Copilot приходится «больше чем каждое пятое ревью кода на GitHub» (GitHub).
Обычный ревьюер, человек или ИИ, ищет баги, проблемы стиля и безопасности. Допустим, ваша система поставляется как @acme/ui. Такой ревьюер не знает, что в ней уже есть Button с состоянием загрузки. Не знает он и того, что gray.700 относится к токенам палитры, которых компонентам касаться не стоит. Как объясняет наша заметка об ИИ-агентах и дизайн-системах, интерфейс в обход системы проходит тесты, потому что он работает.
Что искать
У ревью по дизайн-системе короткий список. Каждый его пункт виден в diff.
Первые два пункта даются агенту легко. Он пишет по общим шаблонам, если контекст не подсказывает, что уже есть в вашем репозитории. Вот как это выглядит в diff (условный пример):
А вот правка, которую попросил бы ревьюер:
Исправление короче оригинала и наследует все состояния, которые уже умеет Button из системы. В нашем руководстве о том, как найти зашитые цвета в кодовой базе React, есть шаблоны поиска для второй строки таблицы.
Чек-лист для ревьюера-человека
Часть этой работы требует суждения. Когда pull request добавляет или меняет UI, ревьюер может пройти по пяти вопросам:
- Есть ли новый файл компонента? Если да, поищите в дизайн-системе его имя и назначение, прежде чем читать код. Агент может не найти существующий компонент, если контекст на него не указывает. Отсюда и начинаются дубли.
- Есть ли сырые значения? Цвета, размеры в пикселях и размеры шрифта в diff должны быть токенами, если не названа причина.
- Импортирует ли код что-то устаревшее? Сверьте импорты со списком устаревших компонентов системы.
- Совпадает ли результат с дизайном? Откройте фрейм в Figma рядом с превью и сравните состояния, а не только вид по умолчанию.
- Стоит ли сохранить исключение? Иногда разовое решение правильно. Тогда ему нужен комментарий с причиной, чтобы следующий аудит не отметил его снова.
Вопросы 4 и 5 остаются за человеком. Первые три механические, и именно их пропускают, когда ревьюеру нужно прочитать тридцать файлов.
Автоматизируем механическую часть
Проверки, которые можно автоматизировать, должны запускаться на каждом pull request, одинаково для кода человека и ИИ.
Правила линтера. Зашитые цвета и токены палитры ловит правило. Линтер срабатывает до ревью и даёт автору шанс всё исправить заранее.
Скриншотные тесты. Они ловят визуальные изменения, а не использование системы. toHaveScreenshot в Playwright сравнивает страницу с сохранённым эталоном (Playwright). Заново собранная кнопка, которая выглядит так же, проходит скриншотный тест. Поэтому такой тест дополняет проверку по дизайн-системе, а не заменяет её.
Комментарий бота на ревью. Находки полезнее всего там, где ревьюер уже работает. Команды рабочих процессов GitHub умеют привязать ошибку к файлу и строке через ::error file=…,line=…:: (GitHub). Инструменты вроде reviewdog публикуют вывод линтера как комментарии ревью или как проверки (reviewdog).
Проверка статуса. Проверка на коммите показывает результат прямо в блоке мержа. Защита веток в GitHub может сделать её обязательной: «все обязательные проверки статуса должны пройти, прежде чем участники смогут влить изменения в защищённую ветку» (GitHub).
Сначала рекомендация, потом блокировка
Новую проверку, которая с первого дня блокирует мерж, рискуют отключить раньше, чем ей начнут доверять. Ложные срабатывания в начале ожидаемы: старый экран, одобренное исключение, токен, который уже есть в Figma, но ещё не в коде.
Спокойное внедрение идёт в три шага:
- Только комментарии. Публикуйте находки в pull request и оставьте решение авторам. Смотрите, какие находки исправляют, а какие игнорируют.
- Настройка. Исключите сгенерированный код, отметьте одобренные исключения и уберите правила, с которыми никто не согласен.
- Обязательная проверка. Когда неделя pull request проходит без шума, сделайте проверку обязательной в защите ветки.
Считайте находки по ходу. Если их число на pull request падает, это один из сигналов, что контекст для агентов работает. Под контекстом здесь понимаются rules-файлы и инструменты дизайн-системы. Как это отслеживать, показываем в руководстве по измерению здоровья дизайн-системы.
Где здесь FISYCO
Мы делаем FISYCO, чтобы он брал на себя механическую часть этого ревью. Когда репозиторий подключён, бот ревью читает изменённые файлы .tsx и .jsx при каждом push в pull request. Он работает с GitHub, GitLab и Bitbucket.
Бот отмечает заново собранные компоненты, цвета в обход токенов, устаревшие компоненты, инлайн-иконки, изменения общих компонентов и нарушения правил вашей команды. Он держит один комментарий на pull request и обновляет его, а также публикует проверку «FISYCO design system». По умолчанию проверка рекомендательная, но её можно переключить в блокирующий режим.
Тот же движок отвечает ИИ-агентам через check_ui_code, так что агент может исправить находку ещё до появления pull request. Об этой стороне рассказывает статья «Контекст дизайн-системы для ИИ».



