feat(examples): add skills code review agent

examples/skills_code_review_agent/ACCEPTANCE_CHECKLIST.md

@@ -0,0 +1,90 @@
+# Acceptance Checklist
+
+## 标准 1：8 条公开样本必须全部可运行并生成报告
+
+- 已覆盖 8 条 fixture：
+  - `clean.diff`
+  - `security_issue.diff`
+  - `async_resource_leak.diff`
+  - `db_lifecycle_issue.diff`
+  - `missing_tests.diff`
+  - `duplicate_finding.diff`
+  - `sandbox_failure.diff`
+  - `secret_redaction.diff`
+- 已有集成测试和 CLI 路径生成 `review_report.json` 与 `review_report.md`
+- Phase 6 额外验证：
+  - `fixture_runs_ok=8`
+  - 新增质量门禁测试 `test_all_public_fixtures_generate_reports`
+
+## 标准 2：隐藏样本高危问题检出率 >= 80%，误报率 <= 15%
+
+- 当前实现以高信号确定性规则优先：
+  - `eval`
+  - `exec`
+  - `pickle.loads`
+  - `yaml.load`
+  - `shell=True`
+  - secret patterns
+- 低置信项自动降级为 `needs_human_review` 或 `warning`
+- 当前示例给出工程策略和测试基线，但隐藏样本上的最终指标仍需 PR 前人工复核说明
+
+## 标准 3：数据库完整记录 task、sandbox run、finding 和 report
+
+- SQLite 已持久化：
+  - `review_tasks`
+  - `review_inputs`
+  - `filter_decisions`
+  - `sandbox_runs`
+  - `findings`
+  - `review_reports`
+- 已支持 `get_review_bundle(task_id)` 查询完整链路
+
+## 标准 4：沙箱具备超时和输出限制，失败不崩
+
+- 脚本执行层有 timeout
+- stdout/stderr 有统一截断上限
+- sandbox failure / timeout 转换为结构化记录和 finding
+- 已有 `sandbox_failure.diff` 测试
+
+## 标准 5：敏感信息脱敏检出率 >= 95%
+
+- 报告和数据库前统一调用 `redactor.py`
+- 覆盖：
+  - API key
+  - token
+  - password
+  - bearer token
+  - private key
+- 已有 `secret_redaction.diff` 集成测试
+
+## 标准 6：dry-run / fake model 模式 <= 2 分钟
+
+- 主链路不依赖真实模型
+- 规则和脚本执行均为轻量 deterministic 路径
+- 当前测试集运行时间远低于 2 分钟
+- Phase 6 单次 security fixture dry-run 实测约 `9.87s`
+
+## 标准 7：高风险脚本必须先经过 Filter 决策
+
+- 所有 skill 脚本执行前统一经过 `filter_policy.py`
+- Filter 同时检查固定 argv 与实际待执行 Skill 脚本内容
+- `deny / needs_human_review` 不直接进入执行
+- 已测试 forbidden path、危险命令和网络访问拦截
+
+## 标准 8：报告必须包含关键信息
+
+- 当前报告包含：
+  - findings
+  - severity stats
+  - human review items
+  - filter summary
+  - sandbox summary
+  - monitoring summary
+  - actionable recommendations
+
+## PR 前仍需复核
+
+- README 与最终示例输出是否同步
+- 设计说明是否满足 300-500 字要求
+- 容器路径已通过原生 `skill_run` 接入，并有回归测试验证 Agent 不再手工执行 runtime
+- 是否需要附上最终 sample outputs 供 reviewer 直接查看

examples/skills_code_review_agent/DESIGN_NOTE.md

@@ -0,0 +1,9 @@
+# 方案设计说明
+
+本方案将自动代码评审拆为“主流程编排 + 可复用 Skill + 受控执行 + 结构化落库”四层。主流程由 `agent/agent.py` 负责，统一接收 diff、repo path 或 fixture，完成输入归一化、diff 解析、规则执行、Filter 决策、skill 脚本调度、报告生成和 SQLite 持久化。`skills/code-review/` 则承载正式的 `code-review` Skill，包括 `SKILL.md`、规则文档、使用文档、脚本契约与三个确定性脚本，用于承接可复用的评审知识与脚本执行面。
+
+沙箱隔离策略采用“框架 `skill_run` 托管 + 显式本地回退”的实现方式。生产默认的 `container` 路径只提交结构化 tool payload，由 `SkillToolSet` 负责 Skill staging、workspace 创建、输入映射、runtime 执行与超时，不再由 Agent 手工创建 workspace 或启动容器命令。diff 文件通过 `inputs` 映射进入工作区，命令仅允许固定的 `python` 与仓库内脚本，避免路径拼接和 shell 注入。`local` 仅用于 dry-run/fake-model 开发验证，采用预解析脚本、argv 调用、剔除宿主 `PATH`/`PYTHONPATH` 的最小环境、超时和输出限制，并明确记录为非隔离运行；Filter 会同时检查 argv 与实际待执行脚本内容，未接入 resolver 的 `cube`、`e2b` 则转入人工复核。脚本失败或超时会写入 `sandbox_runs` 并转换为结构化 finding；主流程异常会生成 `FAILED` 任务、错误报告和 SQLite 审计记录。
+
+数据库 schema 采用最小可查询设计，包含 `review_tasks`、`review_inputs`、`filter_decisions`、`sandbox_runs`、`findings` 和 `review_reports` 六张表，支持按 `task_id` 查询完整审查链路。报告输出同时生成 JSON 与 Markdown，两者都包含 findings 摘要、人工复核项、Filter 摘要、sandbox 摘要和监控指标。监控字段聚合总耗时、severity/category 分布、拦截次数和 sandbox 次数，便于回放和评测。
+
+去重与降噪通过 `deduper.py` 实现：同类同文件同位置同证据的 finding 会被合并，低置信结果自动降级到 `needs_human_review` 或 `warning`。安全边界通过统一 `redactor.py` 落实，确保 API key、token、password、Bearer token 和私钥内容在报告与数据库中不出现明文。整体设计优先满足验收中的可验证性、可运行性、可审计性和 dry-run 可用性，并保持 runtime resolver、SQL 后端和模型审查器的扩展边界。