
很多人用 AI 编程就是为了让它写新代码。但实际工作里更常见的场景是:接手一个别人写的项目,几百个文件,没有文档,原作者已经离职。你得先看懂它,才能改它。
这个阶段的痛苦程度远超写代码。写新代码你知道自己要什么,读旧代码你连它想干什么都不确定。而 AI 在这个场景里的价值,其实比"帮我写个函数"大得多。
这篇讲怎么用 AI 加速读代码,怎么问才能问出有用的东西,以及它的解释在哪些情况下不能信。
从入口分层提问
最忌讳的做法是把一整个文件贴过去问"这段代码是干什么的"。几百行代码塞进去,AI 会给你一段看似全面实则空洞的概括,因为它被迫在有限上下文里抓大意。
正确做法是分层。第一层问整体:这个项目的入口在哪、主要模块有哪几个、数据从哪来到哪去。这一层不用贴代码,贴目录结构和主要文件名就够了,让它先给你一张地图。
第二层问模块:选定一个模块,问它负责什么、被谁调用、调用了谁。这时候贴该模块的核心文件。
第三层问函数:针对具体函数问输入是什么、输出是什么、有哪些边界情况、有什么副作用。
这三层问下来,你对项目的理解是有结构的,而不是一堆零散的解释。而且每一层都能验证——你问完第一层,去目录里对一下它说的模块是不是真的存在,错了立刻能发现。
一个实用技巧:让它按"如果你要改这个功能,你会先看哪几个文件"来回答。这个问法比"解释代码"有用得多,因为它逼着模型给出行动路径,而不是泛泛描述。
让它画关系
看代码最难的是脑内建图——谁调用谁、数据怎么流动、哪块是核心哪块是边缘。人靠自己画这张图要很久,让 AI 画就快多了。
可以这么问:把这个模块里所有函数的调用关系列成树状,标出哪些是公开接口、哪些是内部实现。或者:画一张数据流图,说明用户提交的表单经过哪几步变成数据库里的记录。
更有效的是让它输出文本形式的图(用缩进表示层级),比让它画真正的图形更准,因为文本结构对模型来说更容易精确表达。你拿到这棵树之后,自己再在纸上画一遍,理解会扎实得多。
还有一个高级用法:让它找循环依赖。老项目里经常有 A 调 B、B 调 A 的情况,这种结构是人读代码时最容易漏掉的,也是重构时最容易炸的地方。让 AI 专门查这一项,它能给出可疑链路,你再逐个核实。
解释不可信的三类情况
第一类:涉及运行时的动态行为。AI 是从静态代码推断的,它看不到实际运行时的变量值、看不到配置文件的真实内容、看不到数据库里的数据结构。所以它说"这里会返回一个列表",实际可能是返回 null,取决于运行时条件。凡是涉及"实际会怎样"的判断,都要自己跑一遍验证。
第二类:涉及外部依赖的行为。它读到 `some_lib.process(x)` 会猜这个函数干什么,但它没读过那个库的源码。猜错了你也发现不了,因为代码看起来是自洽的。这类解释只能当线索,必须去查文档或源码。
第三类:涉及项目特有的约定。老项目里往往有一堆没写下来的规矩——某个字段特殊值是什么意思、某个函数为什么不能在高并发下调用、某个配置必须和另一个配置保持一致。这些 AI 完全不知道,它会按通用逻辑给你解释,而通用逻辑在这个项目里可能是错的。
判断办法很简单:凡是它的解释里出现"应该""通常""一般来说"这类词,就是它在猜。真正确定的解释会直接指向具体代码行。看到模糊词就打个问号,自己去核对。
配合使用的具体做法
做法一:让它先列出"你不确定的地方"。贴一段代码后加一句"指出这段代码里你无法确定的部分"。这比让它硬解释有用,因为你能拿到一份风险清单,知道哪里需要自己查。
做法二:让它给出验证方法。问"我怎么验证这段代码的实际行为"。它会给几条测试思路,你照着跑,比盲改安全。
做法三:小步验证。每理解一个模块就写一个小脚本跑一下,确认行为和你的理解一致,再往下看。这个习惯能避免"理解错了三层之后才发现"的灾难。
做法四:把理解写下来。让 AI 帮你把已经确认的理解整理成文档,然后再让它基于这份文档回答后续问题。这样上下文是一致的,不会每次回答都基于不同的猜测。
做法五:改代码之前先让它预测影响。问"如果我改了这个函数的返回值类型,哪些地方会受影响"。它会给你一份清单,你拿去和实际的引用情况对照,能发现漏掉的调用点。
一句实在话
AI 读代码的能力,大致相当于一个刚入职但非常勤奋的新人:读得快、问什么都答、不了解项目背景、偶尔自信地胡说。
你要做的是把它当加速器,不当权威。它给你的每一个结论,都要有一个你自己能验证的办法。这个习惯养成了,读旧项目的效率能提高好几倍,而且不会因为信错它而踩坑。
最后提醒一句:读代码这件事,读一遍永远不如跑一遍。AI 帮你把该看的文件挑出来、把该验证的点列出来,剩下的还是你自己动手。它省的是找路的时间,不是走路的力气。
