如何使用 Repowise 通过图分析、死代码检测、决策和 AI 上下文构建仓库级代码智能

在本教程中，我们探索如何使用 Repowise 以实用且可重复的方式为 itsdangerous Python 项目构建仓库级智能。我们首先从一个已经克隆的仓库开始，使用可用的 LLM 凭证配置 Repowise，并初始化其索引管道。接着，我们检查生成的 .repowise 工件，使用 PageRank 和社区检测分析仓库图，检查 Git 智能，运行死代码检测，捕获架构决策，生成 CLAUDE.md 文件，并通过 CLI 与 Repowise 的 MCP 风格工具进行交互。最后，我们可视化仓库图中最重要的节点，以更好地理解不同文件或模块的结构、影响、依赖关系和维护优先级。

具体的实施步骤包括：首先导入必要的库，设置目标仓库路径，并进入 itsdangerous 项目目录。我们定义了一个可重用的 sh() 辅助函数来运行 shell 命令、捕获输出并清晰地显示退出代码。我们还创建了一个 banner() 函数，使教程的每个部分都打印一个可读的标题。

在初始化阶段，我们检查安装的 Repowise 版本并查看支持的 init 选项。确定是否有 Anthropic 或 OpenAI API 密钥可用，然后自动选择正确的提供商和模型配置。我们编写 .repowise/config.yaml 文件并运行 Repowise 初始化，当没有 LLM 密钥时使用仅索引模式。初始化完成后，我们检查 .repowise 工件树以了解 Repowise 在索引仓库后创建了哪些文件。然后搜索图工件，使用 NetworkX 加载仓库图，打印节点和边的数量，计算 PageRank 分数并显示最重要的节点，以及检测社区以了解代码库的结构分组。

接下来，我们使用 Repowise status 检查 Git 智能并了解当前仓库状态。当 LLM 密钥可用时，我们运行文档搜索和查询命令，在模拟模式下安全地跳过。我们还运行死代码检测，将内联架构决策插入 signer.py，更新 Repowise，并检查决策列表和决策健康。此外，我们生成 CLAUDE.md 文件以暴露有助于 AI 辅助开发的项目上下文。然后，通过 CLI 运行几个 Repowise MCP 风格的工具，包括死代码检查、代码搜索和 LLM 驱动的架构查询。最后，可视化 PageRank 前 40 个节点，以清晰查看最具影响力的文件和关系。

总之，我们创建了一个实用工作流，将标准代码仓库转变为智能丰富的项目工作空间，支持对代码库更深入的理解。我们使用 Repowise 索引和检查代码库，揭示图关系，识别重要文件，检测潜在死代码，记录架构决策，并准备 AI 辅助开发的上下文文件。这清晰地展示了仓库智能工具如何改进代码理解、维护、重构、协作和未来的入职培训，同时能在 LLM 启用和模拟提供商模式下工作。