چطور با کمک هوش مصنوعی یک کدبیس جدید را بشناسیم؟

شناخت کدبیس را از مسیر یک رفتار واقعی آغاز کنید و هر ادعای معماری را به فایل، تست یا اجرای قابل‌مشاهده متصل کنید.

پاسخ کوتاه

از دستیار خلاصه کلی نخواهید. یک سناریوی واقعی مانند ورود کاربر را انتخاب کنید و از entry point تا ذخیره یا پاسخ دنبال کنید. برای هر مرحله مسیر فایل و نماد دقیق بخواهید و بخش‌های نامطمئن را علامت بزنید.

گردش‌کار پیشنهادی

1. README، فایل پروژه، ساختار پوشه و فرمان‌های بیلد را بخوانید.
2. یک رفتار پرتکرار و کم‌ریسک را به‌عنوان نخ معماری انتخاب کنید.
3. نقطه ورود، validation، business rule، persistence و خروجی را ردیابی کنید.
4. برای هر نتیجه از دستیار شاهد فایل و خط یا تست بخواهید.
5. نقشه وابستگی کوچک و واژه‌نامه دامنه بسازید.
6. با اجرای تست، breakpoint یا جست‌وجوی دستی سه ادعای مهم را نمونه‌برداری کنید.

مثال اجرایی

برای مسیر ثبت‌نام، سؤال «سیستم چطور کار می‌کند؟» را به «درخواست از کدام endpoint وارد می‌شود، validation کجاست، رکورد کجا ساخته می‌شود و رویداد بعدی چیست؟» تبدیل کنید.

چطور نتیجه را راستی‌آزمایی کنیم؟

یک توسعه‌دهنده دیگر باید بتواند با نقشه شما سناریو را پیدا کند. مسیرها را باز کنید، نام‌ها را جست‌وجو کنید و تفاوت بین کد فعال، dead code و قرارداد تاریخی را روشن سازید.

خطاهای رایج

خلاصه بدون citation، خواندن فقط فایل‌های بزرگ، فرض معماری از نام پوشه و واردکردن Secret یا داده مشتری در گفتگو باعث اعتماد کاذب یا ریسک داده می‌شود.

جایگاه این مطلب در مسیر یادگیری

پس از شناخت اولیه، وظیفه را با الگوی پرامپت چندمرحله‌ای تعریف و مدل مناسب کار را با نمونه واقعی ارزیابی کنید.

منابع و محدودیت

این روش ارزش AI را در synthesis حفظ می‌کند اما مرجع حقیقت را خود مخزن و رفتار اجراشده می‌داند. نقشه تولیدشده باید با تغییر کد به‌روز شود. DORA: balancing AI tensions.

جمع‌بندی

نقشه مفید کدبیس، پاسخ‌های کمتر اما قابل‌ردیابی‌تر دارد؛ هر پیکان باید به شواهدی در کد یا اجرا ختم شود.