CodeSlicer — граф влияния кода для AI‑агентов
Новый инструмент CodeSlicer собирает граф связей между функциями, классами, эндпоинтами и тестами, позволяя AI‑агентам точно понимать, как изменения кода влияют на проект.
AI‑агенты уже успешно решают отдельные задачи, но при работе с крупными кодовыми базами они часто «угадывают», теряя связь между разрозненными частями проекта. Это приводит к тому, что изменение одной функции может неожиданно сломать фронтенд, роутинг, сервис, репозиторий, фоновые задачи или тесты.
В статье на Habr AI представлена CodeSlicer – набор из трёх компонентов, призванный решить эту проблему. Первый элемент – локальный CLI, который сканирует репозиторий и формирует evidence chain (цепочку доказательств) о взаимосвязях кода. Второй – MCP‑сервер (Model‑Control‑Plane), который хранит полученный граф и предоставляет его через API для внешних систем, в том числе LLM‑агентов. Третий – визуальный анализатор, позволяющий в интерактивном режиме просматривать граф влияния, включающий функции, классы, DI‑провайдеры, HTTP‑эндпоинты, фронтенд‑компоненты и тесты.
CodeSlicer сохраняет provenance (источник) каждой связи и поддерживает confide – механизм проверки достоверности графа. Это упрощает отладку, ускоряет ревью кода и делает возможным более надёжное построение запросов к AI‑моделям, которые теперь могут оперировать проверенными зависимостями, а не догадками.
Подробнее о реализации и примерах использования читайте в оригинальной статье: https://habr.com/ru/articles/1063004/
Для разработчиков AI‑агентов CodeSlicer открывает путь к более надёжному контексту: теперь можно подавать в LLM‑модель полностью проверенный граф зависимостей, что снижает риск «галлюцинаций». Студенты курсов по AI‑программированию получат практический инструмент для демонстрации связи кода и поведения системы. Однако внедрение требует настройки CLI и сервера, что добавит небольшую инфраструктурную нагрузку.
