PR review comments看到眼花？fetch-unresolved-comments只拉未解决的，效率直接拉满🔥-Skill优仓

核心功能

做过代码审查的人都懂那种痛苦——PR里几十条review comments，哪些已经处理了，哪些还悬着没动？一条条翻简直是折磨。fetch-unresolved-comments这个Skill专门解决这个问题，通过GitHub GraphQL API精准抓取PR中未解决的review thread，自动过滤掉已resolved和outdated的反馈，让你只看真正需要处理的内容。

它的核心逻辑很清晰：给一个PR链接，返回按文件分组的未解决评论列表，包含thread ID、代码行号、diff上下文、评论内容和作者信息。不多不少，刚好够用。

适用平台

fetch-unresolved-comments作为一个标准Skill，可以无缝接入主流AI编程助手的工作流。无论你用的是Cursor、GitHub Copilot、Claude Code，还是OpenAI Codex、Gemini Code Assist，甚至国内的文心快码、腾讯云CodeBuddy、华为云CodeArts，都可以把这个Skill挂进去。

特别是在Claude Code或Cursor里，把这个Skill配合AI上下文使用，AI能直接读取未解决的review comments，然后帮你逐条分析、生成修改建议，甚至直接写出对应的代码改动。这才是AI辅助代码审查该有的样子。

实操代码示例

使用方式非常简单，两步搞定：

第一步，确认PR地址。如果设置了环境变量可以自动构建：

export PR_NUMBER=18327export GITHUB_REPOSITORY=mlflow/mlflow

第二步，直接跑Skill：

uv run skills fetch-unresolved-comments https://github.com/mlflow/mlflow/pull/18327

GitHub token会自动从GH_TOKEN环境变量读取，或者通过gh auth token命令获取，不需要手动传参。返回的JSON结构按文件分组，每个thread包含完整的diff上下文和评论链，一目了然。

优势分析

市面上大多数工具要么拉全量comments（噪音太多），要么只显示comment数量（没有上下文）。fetch-unresolved-comments的差异化在三个点：

精准过滤：只返回unresolved状态的thread，resolved和outdated的全部排除，零噪音。
结构化输出：按文件分组，带diffHunk上下文，AI或脚本可以直接消费，不需要二次解析。
零配置鉴权：自动读取gh CLI的token，不用额外配置，开箱即用。

应用场景

场景一：AI辅助批量处理review。把这个Skill的输出喂给Claude Code，让AI逐条分析每个未解决的comment，生成对应的代码修改方案。一个中等规模的PR，原本需要半小时的review处理，可以压缩到10分钟以内。

场景二：CI/CD流水线集成。在合并前的检查步骤里加一个断言：如果fetch-unresolved-comments返回的total大于0，阻断合并。强制要求所有review comments处理完才能进主干，代码质量管控更严格。

场景三：每日站会准备。早上开站会前跑一遍，快速汇总所有待处理的review反馈，按文件维度汇报进度，比手动翻GitHub界面快多了。

场景四：多PR并行管理。同时维护多个feature branch的团队，可以写个脚本批量调用这个Skill，生成全团队的未解决review汇总报告，项目经理和tech lead都爱看。

最佳实践

几个用起来更顺手的小技巧：

环境变量优先：在CI环境里，PR_NUMBER和GITHUB_REPOSITORY通常由平台自动注入，直接用就行，不需要硬编码PR URL。
结合jq做二次过滤：如果只想看特定文件的comments，可以用jq '.by_file["src/main.py"]'快速提取，不用改Skill本身。
token权限最小化：GH_TOKEN只需要repo读权限，不要用全权限token，安全第一。
输出缓存：在自动化脚本里，建议把输出结果写到临时文件，避免同一个PR重复调用API，节省rate limit配额。
与git hooks配合：在pre-push hook里调用，提交前先确认自己的PR没有遗漏的review反馈，养成好习惯。