用AST和Gemini加速陌生代码库快速上手

交互式 D3.js 地图与免手持 TTS

我是 Tara，一名高级软件工程师兼顾问。这些年来，我辗转参与过许多不同的代码库。

每当加入一个新项目时，我都会发现完全相同的问题：新工程师往往需要 3 到 6 个月，才能真正理解一个复杂系统是如何组织和连接起来的。Copilot 和 Cursor 等 AI 工具非常擅长帮助我们更快地编写代码，但开发者仍然要花费近 50% 的时间阅读和浏览代码。

始终没有人在解决代码理解这一层的问题。因此，我决定亲自构建一款工具。

我非常激动地向大家分享这段时间一直在开发的产品：AuraCode（欢迎前往在线交互式 Demo 体验！）

🤔 它能做什么？

AuraCode 是一个神经代码 Agent，可以将杂乱无章、缺少文档的代码仓库转化为交互式可视化地图，并提供具备上下文感知能力的对话功能。

以下是我目前已经构建的主要功能：

交互式架构画布 🗺️：粘贴一个 GitHub URL，它便会生成一棵精美且可交互的 D3.js 径向树，用来展示组件之间的关系和系统结构。

交互式架构画布 🗺️：粘贴一个 GitHub URL，它便会生成一棵精美且可交互的 D3.js 径向树，用来展示组件之间的关系和系统结构。

上下文对话 + Text-to-Speech 🗣️：你可以提出诸如“如果我修改这个 auth utility，哪些地方会出问题？”之类的问题，并获得以实际代码结构为依据的回答。我还将输出接入了 ElevenLabs TTS 引擎，因此你可以一边查看代码，一边让它免手持地为你朗读整个流程。

上下文对话 + Text-to-Speech 🗣️：你可以提出诸如“如果我修改这个 auth utility，哪些地方会出问题？”之类的问题，并获得以实际代码结构为依据的回答。我还将输出接入了 ElevenLabs TTS 引擎，因此你可以一边查看代码，一边让它免手持地为你朗读整个流程。

智能入职引导 ✅：告别已经过时的 setup.md 文件。AuraCode 会根据扫描到的代码库架构，自动生成专门适配该项目的结构化入职检查清单。

智能入职引导 ✅：告别已经过时的 setup.md 文件。AuraCode 会根据扫描到的代码库架构，自动生成专门适配该项目的结构化入职检查清单。

代码审查摘要 🚀：将它指向一个 PR，它就会进行趋势分析，并根据代码差异生成一份审查摘要。

代码审查摘要 🚀：将它指向一个 PR，它就会进行趋势分析，并根据代码差异生成一份审查摘要。

🛠️ 底层是如何工作的？

构建这款工具时，需要在上下文窗口与检索准确性之间取得平衡。以下是我的解决思路：

AI 架构

将代码视为“扁平文本”，会丢失所有重要的结构关系，例如调用图、依赖链等。为了解决这个问题，AuraCode 会根据代码仓库的规模采用两种不同的方法：

对于中小型代码仓库：我会将抽象语法树（AST）直接注入模型的上下文窗口。这样可以保留代码中的架构模式，让 AI 真正理解各部分代码之间是如何连接的。

对于大型 monorepo：我会使用一种自己称为 Lean RAG 的方法。它是一个轻量级检索层，会在注入上下文之前，有选择地找出结构上最相关的节点。这样既能保持较高的准确性，又不会突破 token 限制。

接下来有什么计划？🚀

AuraCode 目前正处于发布前阶段。由于整个项目完全由我自行出资，而 LLM 的 token 成本会随着使用量迅速增长，因此我目前只向候补名单中的前 50 名开发者开放完整的私有代码仓库访问权限。

不过，网站上的 Demo 已经完全上线，并向所有人公开！

我之所以构建这款工具，是因为每次受聘为大型遗留代码库提供咨询服务时，我都希望当时已经有这样一款工具。

我非常期待听到大家的想法！你通常会如何快速上手规模庞大且没有文档的代码库？

如果你对技术栈、Lean RAG 方法或 D3 可视化有任何问题，请告诉我。非常期待在评论区和大家交流！👇

如需采取进一步行动，你可以考虑屏蔽此人和／或举报滥用行为。