依赖距离检测：AI 改动的爆炸半径分析脚本

AI 生成的补丁可以通过所有测试，却仍然在三步之遥的导入处引发故障。diff 很小，测试全绿，改动的函数看起来也没问题。但破坏性只有在合并之后才显现出来——一个从未触碰过的调用方导入了新的函数签名。

在信任一个补丁之前，评审者需要一张依赖距离表：哪些本地模块直接导入了被改动的模块，哪些在下一步才导入，下游链路有多深。这是一个图搜索问题，而不是靠感觉判断。真正有用的信号不是模型的补丁本身，而是代码库的静态结构。

本文从 Git 和 Python 标准库构建一个爆炸半径脚本。它是有意确定性的，所以在笔记本或免费 CI 服务器上运行方式完全一致。最后一个可选步骤仅用免费模型来总结已经计算好的列表。

将文件保存为 blast_radius.py，从 Git 仓库任意位置运行。

#!/usr/bin/env python3
import ast
import os
import subprocess
import sys
from collections import defaultdict, deque

ROOT = subprocess.check_output(['git', 'rev-parse', '--show-toplevel'], text=True).strip()

def changed_py_files():
    out = subprocess.check_output(
        ['git', 'diff', '--name-only', 'HEAD~1', 'HEAD'],
        text=True,
        cwd=ROOT,
    )
    return {
        os.path.relpath(line.strip(), ROOT)
        for line in out.splitlines()
        if line.strip().endswith('.py')
    }

def tracked_py_files():
    out = subprocess.check_output(['git', 'ls-files', '*.py'], text=True, cwd=ROOT)
    return {
        os.path.relpath(line.strip(), ROOT)
        for line in out.splitlines()
        if line.strip().endswith('.py')
    }

def module_name(path):
    path = path.replace(os.sep, '/')
    if path.startswith('./'):
        path = path[2:]
    if path.endswith('__init__.py'):
        path = path[: -len('__init__.py')]
        path = path.rstrip('/') or '.'
        return '.'.join(part for part in path.split('/') if part)
    return path[:-3].replace('/', '.')

def direct_imports(path):
    full = os.path.join(ROOT, path)
    try:
        with open(full, encoding='utf-8') as f:
            tree = ast.parse(f.read(), filename=path)
    except (SyntaxError, UnicodeDecodeError):
        return set()
    found = set()
    for node in ast.walk(tree):
        if isinstance(node, ast.Import):
            for alias in node.names:
                found.add(alias.name.split('.')[0])
        elif isinstance(node, ast.ImportFrom) and node.module:
            found.add(node.module.split('.')[0])
    return found

def build_graph(paths):
    graph = defaultdict(set)
    for path in paths:
        graph[module_name(path)].update(direct_imports(path))
    return graph

def consumers(graph):
    result = defaultdict(set)
    for src, deps in graph.items():
        for dep in deps:
            result[dep].add(src)
    return result

def affected_modules(changed, graph):
    changed_mods = {module_name(p) for p in changed}
    consumer_map = consumers(graph)
    seen = {}
    queue = deque((m, 0) for m in changed_mods)
    while queue:
        mod, dist = queue.popleft()
        if mod in seen:
            continue
        seen[mod] = dist
        for user in consumer_map.get(mod, []):
            if user not in seen:
                queue.append((user, dist + 1))
    return sorted(seen.items(), key=lambda kv: (kv[1], kv[0]))

if __name__ == '__main__':
    changed = changed_py_files()
    if not changed:
        print('No Python files changed.')
        sys.exit(0)
    graph = build_graph(tracked_py_files())
    rows = affected_modules(changed, graph)
    for dist, mod in rows:
        print(f'{dist:>2}  {mod}')

输出列表中，距离 0 是被改动的模块，距离 1 是直接导入方，更远的是传递性导入方。常见工具模块的断裂可能产生很长的尾部分支，而叶子模块的改动几乎不会产生任何影响。这正是评审在阅读 diff 之前所需的那种分类信息。

为什么用 BFS 而不是完整依赖图

递归导入遍历能告诉你仓库中的每一个模块，但不告诉你它们与改动的接近程度。广度优先搜索保留距离信息，因为它按层级扩展。直接调用方在被间接调用方之前被访问，且每个模块都保留从被改动文件出发的最短距离。

脚本仅存储本地源码导入。它有意忽略已安装包和标准库模块的调用方发现；那些模块不是你的补丁的评审者。这保持了图的精简和输出的聚焦——只关注你真正能编辑的文件。

可选的免费模型摘要

披露：本文是 MonkeyCode 产品推广的一部分。

原始距离表本身已经有用，但长长的列表仍然可能嘈杂。对于这种情况，免费模型端点可以将排序后的行转化为两条简短笔记：哪些直接调用方值得优先阅读，哪些传递性集群大概可以安全跳过。MonkeyCode 的免费模型访问和免费服务器选项使这一步成本极低，但脚本不需要任何特殊模型行为——只需普通的摘要能力。

让模型远离决策循环。用户只提供图的输出并请求组织整理，而不是审批。如果模型建议了一个修复，请将该建议视为另一个 AI 生成的补丁，并将其纳入相同的评审工作流程。

局限性

它只能看到静态的 Python 导入。importlib 动态调用、基于字符串的导入、插件和条件加载可能对图不可见。

它追踪的是本地源码导入，而不是跨二进制文件、生成代码或其他语言的运行时依赖。

它构建的是语法图，而不是语义图。只有在被改动的符号实际破坏了其契约时，下游调用方才会受到影响。

它假设使用 Git 和 Python 3.9+，且在具有常规包布局的仓库中效果最佳。

谁不应该使用此工具

拥有大量动态导入、混合语言 monorepo 或插件密集型运行时的团队，不应该将此图视为完整的。它是一张分类地图，而不是安全证明。同样，只有少数模块的扁平小项目可能不需要它；直接阅读 diff 更快。

从距离表开始

下次你评审一个 AI 生成的补丁时，在打开代码之前先运行爆炸半径脚本。距离 1 处的模块是大多数意外藏身之处，而且往往是补丁没有触碰过的文件。