如何使用 Repowise 通過圖分析、死代碼檢測、決策和 AI 上下文構建倉庫級代碼智能

在本教程中，我們探索如何使用 Repowise 以實用且可重複的方式為 itsdangerous Python 項目構建倉庫級智能。我們首先從一個已經克隆的倉庫開始，使用可用的 LLM 憑證配置 Repowise，並初始化其索引管道。接着，我們檢查生成的 .repowise 工件，使用 PageRank 和社區檢測分析倉庫圖，檢查 Git 智能，運行死代碼檢測，捕獲架構決策，生成 CLAUDE.md 文件，並通過 CLI 與 Repowise 的 MCP 風格工具進行交互。最後，我們可視化倉庫圖中最重要的節點，以更好地理解不同文件或模塊的結構、影響、依賴關係和維護優先級。

具體的實施步驟包括：首先導入必要的庫，設置目標倉庫路徑，並進入 itsdangerous 項目目錄。我們定義了一個可重用的 sh() 輔助函數來運行 shell 命令、捕獲輸出並清晰地顯示退出代碼。我們還創建了一個 banner() 函數，使教程的每個部分都打印一個可讀的標題。

在初始化階段，我們檢查安裝的 Repowise 版本並查看支持的 init 選項。確定是否有 Anthropic 或 OpenAI API 密鑰可用，然後自動選擇正確的提供商和模型配置。我們編寫 .repowise/config.yaml 文件並運行 Repowise 初始化，當沒有 LLM 密鑰時使用僅索引模式。初始化完成後，我們檢查 .repowise 工件樹以瞭解 Repowise 在索引倉庫後創建了哪些文件。然後搜索圖工件，使用 NetworkX 加載倉庫圖，打印節點和邊的數量，計算 PageRank 分數並顯示最重要的節點，以及檢測社區以瞭解代碼庫的結構分組。

接下來，我們使用 Repowise status 檢查 Git 智能並瞭解當前倉庫狀態。當 LLM 密鑰可用時，我們運行文檔搜索和查詢命令，在模擬模式下安全地跳過。我們還運行死代碼檢測，將內聯架構決策插入 signer.py，更新 Repowise，並檢查決策列表和決策健康。此外，我們生成 CLAUDE.md 文件以暴露有助於 AI 輔助開發的項目上下文。然後，通過 CLI 運行幾個 Repowise MCP 風格的工具，包括死代碼檢查、代碼搜索和 LLM 驅動的架構查詢。最後，可視化 PageRank 前 40 個節點，以清晰查看最具影響力的文件和關係。

總之，我們創建了一個實用工作流，將標準代碼倉庫轉變為智能豐富的項目工作空間，支持對代碼庫更深入的理解。我們使用 Repowise 索引和檢查代碼庫，揭示圖關係，識別重要文件，檢測潛在死代碼，記錄架構決策，並準備 AI 輔助開發的上下文文件。這清晰地展示了倉庫智能工具如何改進代碼理解、維護、重構、協作和未來的入職培訓，同時能在 LLM 啓用和模擬提供商模式下工作。