> For the complete documentation index, see [llms.txt](https://code-visualization.shawnxie.top/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://code-visualization.shawnxie.top/di-wu-pian-ai-shi-dai-de-xin-ying-yong/software-understanding-infrastructure.md).

# 从代码可视化到软件理解基础设施

代码可视化的未来不是一组独立工具，而是软件理解基础设施。它连接代码、测试、运行时、变更历史、架构规则和 AI 轨迹，为人和 Agent 提供共同的事实层。

本书从代码结构化讲到程序分析，从代码图谱讲到工程场景，再讲到 AI Agent 和 Review 证据层。到这里可以看到，代码可视化已经不只是“展示代码关系”，而是在软件工程流程中承担理解、验证和治理职责。

## 从图形工具到代码知识图谱

传统代码可视化工具往往以图形展示为中心：类图、调用图、依赖图、火焰图。它们帮助人看见关系，但通常是局部的、一次性的。

软件理解基础设施更关注事实管理：

* 哪些事实从哪里来。
* 何时更新。
* 置信度如何。
* 可以回答哪些查询。
* 能接入哪些工程流程。

代码知识图谱就是这种事实管理的形式之一。它既可以生成图，也可以支持影响面分析、测试推荐、架构检查和 Agent 查询。

## 从人看图到 Agent 查图

过去，可视化主要服务人。未来，它还要服务 Agent。

人需要可读视图：模块地图、调用路径、风险热力图、影响面报告。Agent 需要结构化查询：定义、引用、调用方、测试、架构规则、历史变更。

两者不应该使用两套事实。更合理的方式是：

* 同一套代码图谱。
* 人类界面生成可视化视图。
* Agent 工具返回结构化数据。
* CI 消费规则检查和报告。

这样，人和 AI 可以围绕同一份证据协作。

## 多源数据融合

单一数据源无法完整解释系统。

静态代码告诉我们可能结构，运行时数据告诉我们真实路径，变更历史告诉我们演进风险，测试覆盖告诉我们验证范围，架构规则告诉我们边界，组织信息告诉我们责任归属。

软件理解基础设施需要融合这些数据：

```
源码结构
  + 静态分析
  + 运行时 Trace
  + 测试覆盖
  + Git 历史
  + 架构规则
  + Owner 信息
  + Agent 查询轨迹
```

融合后的系统才能回答复杂问题：这次 AI 修改是否影响核心路径，相关测试是否足够，是否破坏架构边界，哪个团队应该 Review。

## 持续更新的软件事实库

软件理解基础设施不能是一次性扫描结果。它应该随软件演进持续更新：

* 代码提交后更新 AST、符号和调用关系。
* 测试运行后更新 Coverage。
* 服务运行后更新 Trace 和性能属性。
* PR 合并后更新变更历史。
* 架构规则变化后重新检查依赖。
* Agent 执行任务后记录查询轨迹和修改证据。

持续更新让图谱保持可信。过时的图谱会误导人，也会误导 AI。

## 嵌入工程流程

基础设施的价值体现在流程集成中：

* IDE 中辅助代码导航。
* PR 中展示影响面和 Review 证据。
* CI 中执行架构和测试规则。
* APM 中从 Trace 跳回源码和 owner。
* Agent 修改前查询上下文。
* Agent 修改后生成验证报告。

如果代码可视化只能手动打开查看，它的使用频率会很低。只有出现在开发者和 Agent 做决策的位置，它才会成为基础设施。

## 治理 AI 轨迹

AI 时代还有一种新数据：Agent 的工作轨迹。

这包括：

* Agent 查询了哪些符号。
* 读取了哪些文件。
* 运行了哪些命令。
* 修改了哪些实体。
* 参考了哪些测试。
* 忽略了哪些风险提示。

这些轨迹应该和代码图谱关联起来。它们可以帮助团队判断 AI 是否遵循了工程流程，也可以作为后续改进 Agent 行为的数据。

## 软件理解基础设施的最小形态

不需要一开始建设庞大平台。一个最小可用系统可以从以下能力开始：

1. 解析源码，提取文件、类、方法和调用关系。
2. 构建节点和边表。
3. 输入 Diff，输出影响面。
4. 关联测试和 Coverage。
5. 生成可读报告。
6. 提供 Agent 查询接口。

这也是本书第六篇实践项目的目标。它不会覆盖所有复杂场景，但会跑通核心闭环。

## 小结

代码可视化正在从图形工具走向软件理解基础设施。它把代码、运行时、变更、测试、架构和 AI 轨迹连接成事实层，让人和 Agent 能围绕同一套证据协作。

下一篇将进入实践项目，构建一个最小代码理解系统，把本书前面讨论的概念落到可执行的链路中。