北京
想象一下，你刚接手一个Rust项目，代码量14.6万行，横跨31个模块。打开IDE的第一个小时，你几乎都在目录树里打转——不是读逻辑，而是找东西。更麻烦的是，每次你启动一个AI编程代理，它也会从零开始啃文件，重新理解系统结构，耗时又烧钱。于是我做了一个尝试：让一个AI模型通读整个代码库，然后吐出三样东西——给我的一张纸，给下一个AI代理的一份结构化地图，以及给所有人的一张可点击交互图。效果比预期好，但只在一个无聊步骤之后，才真正可靠。
这三份文件分别对应用户的不同需求。第一份是给人类的单页摘要：它列出系统必须遵守的不变规则、核心模块及其职责、一次请求的完整路径，以及那些专门吃掉你时间的陷阱。说白了，就是我希望入职第一天就摆在桌面的那张纸。第二份是给AI代理的JSON地图——它不追求可读性，而是把每条不变规则对应的文件或测试、常见任务的关键步骤、已知陷阱和核心文件清单，原样塞进一个JSON结构里。每当一个新代理接到任务，它会先读这份地图，而不是从零开始熟悉系统，直接跳过最初那一小时的摸索。第三份则是面向所有人的交互地图，用方框把模块列成列，你只要选一条流程（比如“一个定时检查”或“一次代理登录”），该流程就会在方框间亮起，标出带编号的步骤。目前这份地图已经在线运行。
这三份材料不是各自为政的。JSON地图是唯一的真实源，人类单页摘要和交互地图都只是它的视图投影。这意味着，一旦你把事实固化在这份JSON地图里，另外两份文件的矛盾就不复存在。而要让这份地图真正可靠，最关键的一步，也是大多数人会跳过的一步，就是核实每一个数字。
具体方法分四步走，没有一步能省略。第一步，并行探索。让一个代理把14.6万行代码一次性读完不现实。所以我启动多个代理同时读不同模块，最后再把它们的笔记拼合起来——速度更快，覆盖面也更广。第二步，先造机器地图。那份给代理用的JSON是我所有输出的源头，人类查看的页面和交互图都源自它。所以我把所有事实塞进这个JSON，先不管它好不好看。第三步，在生成任何其他文件之前，把这张地图里的数字全部检查一遍。就是这一步，把“看着像回事”和“真的能用”区分开。模型画出来的架构形状是对的，但好几个计数都错了。你在源头验证一次，错误就不会扩散到其他产出里。第四步，基于地图渲染视图。人类单页和交互地图都从同一份JSON自动生成，信息天然一致。
这套方法的动机并非单纯为了自己省事。AI代理每次处理长尾任务都从零开始读取文件，重复理解系统的过程，既慢又贵。一份预先生成、经过验证的地图，能让代理在第一个请求前就把握系统骨架，把认知负荷降下来。而对人类而言，一份单页摘要胜过无数散落在Confluence里的旧文档。你不再需要对着目录猜“这个模块是不是管那件事”，因为关键路径已经画出来了。可以点开那张交互地图看效果：选中一条贯穿系统的流程，它会干干净净地亮起全套步骤，没有注解，没有噪音。
把代码库映射成人类和AI代理都能用的地图，这件事AI能做得像模像样，但前提是你得亲手把它的计数核定一遍。形状对但数字错，就是目前模型给出的答案。这个无聊的校对步骤，正是防止“看着正确”变成“真正出错”的那道闸门。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
