如何使用 Repowise 透過圖分析、死程式碼檢測、決策和 AI 上下文構建倉庫級程式碼智慧

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 專案構建倉庫級智慧。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。接著，我們檢查生成的 .repowise 工件，使用 PageRank 和社群檢測分析倉庫圖，檢查 Git 智慧，執行死程式碼檢測，捕獲架構決策，生成 CLAUDE.md 檔案，並透過 CLI 與 Repowise 的 MCP 風格工具進行互動。最後，我們視覺化倉庫圖中最重要的節點，以更好地理解不同檔案或模組的結構、影響、依賴關係和維護優先順序。

具體的實施步驟包括：首先匯入必要的庫，設定目標倉庫路徑，並進入 itsdangerous 專案目錄。我們定義了一個可重用的 sh() 輔助函式來執行 shell 命令、捕獲輸出並清晰地顯示退出程式碼。我們還建立了一個 banner() 函式，使教程的每個部分都列印一個可讀的標題。

在初始化階段，我們檢查安裝的 Repowise 版本並檢視支援的 init 選項。確定是否有 Anthropic 或 OpenAI API 金鑰可用，然後自動選擇正確的提供商和模型配置。我們編寫 .repowise/config.yaml 檔案並執行 Repowise 初始化，當沒有 LLM 金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 在索引倉庫後建立了哪些檔案。然後搜尋圖工件，使用 NetworkX 載入倉庫圖，列印節點和邊的數量，計算 PageRank 分數並顯示最重要的節點，以及檢測社群以瞭解程式碼庫的結構分組。

接下來，我們使用 Repowise status 檢查 Git 智慧並瞭解當前倉庫狀態。當 LLM 金鑰可用時，我們執行文件搜尋和查詢命令，在模擬模式下安全地跳過。我們還執行死程式碼檢測，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 檔案以暴露有助於 AI 輔助開發的專案上下文。然後，透過 CLI 執行幾個 Repowise MCP 風格的工具，包括死程式碼檢查、程式碼搜尋和 LLM 驅動的架構查詢。最後，視覺化 PageRank 前 40 個節點，以清晰檢視最具影響力的檔案和關係。

總之，我們建立了一個實用工作流，將標準程式碼倉庫轉變為智慧豐富的專案工作空間，支援對程式碼庫更深入的理解。我們使用 Repowise 索引和檢查程式碼庫，揭示圖關係，識別重要檔案，檢測潛在死程式碼，記錄架構決策，並準備 AI 輔助開發的上下文檔案。這清晰地展示了倉庫智慧工具如何改進程式碼理解、維護、重構、協作和未來的入職培訓，同時能在 LLM 啟用和模擬提供商模式下工作。