多数人拿到陌生代码,第一反应是让 AI 通读整个仓库、写一份架构说明。这个顺序反了。AI 在没跑过、没验证过的情况下给出的总结,读起来通顺,实际经不起追问,你也没法判断它对不对。正确顺序是:先让代码跑起来,再让 AI 帮你画调用链,最后只改一处来验证理解。三十分钟足够走完一轮。
第一步:先跑起来,别急着读
判断:跑不起来的代码,读了也记不住。能跑起来,你才有反馈回路。
做法:找出入口。看 README、package.json 的 scripts、Makefile、Dockerfile,找到启动命令和依赖安装方式。跑不通就把报错原文交给 AI,不要自己猜。
我在本地运行这个项目,执行 `启动命令` 后报错如下:
(粘贴完整报错,含命令行和堆栈)
项目环境:语言/版本、包管理器、操作系统。
请给出排查顺序,每一步说明要验证什么。不要一次给多个猜测,先给最可能的一个,我验证后再继续。
跑起来后,用一次最小操作触发主流程,比如打开首页、点一个按钮、发一个请求。记下你触发的入口,这是下一步的起点。
第二步:从入口倒推调用链
判断:不要问“这个项目是做什么的”,要问“这个请求经过了哪些函数”。前者得到泛泛描述,后者得到可核对的事实。
做法:把入口文件或路由定义贴给 AI,让它按层列出调用关系,每层标注文件名和函数名。你负责回代码里逐个点开确认。AI 列错很正常,纠错过程本身就是理解过程。
- 先要主干,不要分支:让它只列主路径,异常处理和边界条件先跳过。
- 要求给行号或函数签名,方便你定位。
- 遇到不认识的抽象层,单独追问一层,不要连着问三层。
画完调用链,用自己的话写三五行摘要,贴在笔记里。写不出来的部分,就是还没懂的部分。
第三步:只改一处,验证理解
判断:能改对一处小地方,比读完十个文件更能证明你懂了。
做法:选一个低风险改动,比如改日志文案、加一个字段、调整一个默认值。先自己预测改动会影响哪些地方,再动手,最后对照实际结果。
- 预测和实际不一致,说明调用链画错了,回到第二步补。
- 改动引发意外报错,正好暴露了隐藏依赖,记下来。
- 改完能跑通、行为符合预期,这一轮就算完成。
不要一上来就重构或加功能。改动越小,反馈越干净。
让 AI 输出可核对的内容
判断:凡是无法回代码验证的回答,价值都有限。
做法:提问时限定输出格式,要求引用具体文件和函数。追问时带上你的观察,让 AI 在你的事实上做推理,而不是凭空生成。
基于我贴出的这段代码,回答三个问题:
1. 这个函数被哪些地方调用?只列文件路径和函数名。
2. 它依赖哪些外部状态(全局变量、配置、数据库、网络)?
3. 如果我把第 N 行的 X 改成 Y,哪些行为会变?
每条回答后标注你的置信度,不确定的直接说不确定,不要补全。
什么情况下这套做法不适用
判断:这套方法依赖“能跑起来”和“有明确入口”,两个条件缺一个就要换思路。
- 代码跑不起来,且短期内修不好:先做静态梳理,但结论只能当假设。
- 没有明确入口,比如库、SDK、纯算法模块:改为从测试用例或公开 API 入手。
- 涉及安全、支付、并发等高风险逻辑:改一处验证不够,需要专门的测试和评审。
- 代码量极大且你只需要一个小功能:不必画全链路,直接定位相关模块。
- 合规或生产环境不允许本地运行:不要用改代码的方式验证,改用日志和只读分析。
三十分钟的目标不是读懂全部,而是建立一条能自我纠错的路径。跑起来、画链路、改一处,循环几轮,陌生代码就会变成可操作的对象。
