repowise-dev/repowise

Codebase intelligence for AI and humans: code health scores, auto-generated docs, git analytics, dead code detection, and architectural decisions via MCP.

Repowise – 基于证据的代码库智能

是什么 – Repowise 是一个基于 Python 的工具，可构建本地、持续更新的仓库索引。该索引整合了语言无关的调用图、Git 历史、测试覆盖率信息、文档以及记录的架构决策。从这一单一事实源出发，它为开发者或 AI 驱动的编码代理通常需要通过 grep、阅读代码或运行昂贵模型提示来发现的问题，提供 确定性（无需 LLM 调用）的答案。

为何重要 – 现代 AI 编码助手在每次请求时都会花费大量时间“重新发现”代码库的结构，这会增加 token 使用量、降低代理速度，并可能导致上下文丢失。Repowise 一次性完成繁重工作，然后以远少的工具调用和大幅减小的负载（例如，典型提交上下文从 13,984 个 token 减少到 393 个 token）提供 带引用 的、图感知的结果。该项目还提供具体、可操作的重构建议和每个文件的健康评分，所有计算均在本地完成且开源。

核心功能

领域	Repowise 提供的内容
代码图	支持 25 种语言的 AST 解析依赖关系，带置信度标记的调用解析，社区检测，中心性度量，执行流追踪。
Git 信号	热点检测、所有权、共变更统计、巴士因子、缺陷修复历史 – 全部源自仓库自身的提交日志。
文档维基	为每个模块/文件自动生成、增量式维基页面；可选择性地为每页添加 LLM 编写的段落。
架构决策	从五个来源（如提交信息、代码注释）确定性提取，加上手动捕获；每个决策均链接到证据。
代码健康分析	49 个确定性检测器（复杂度、内聚性、克隆检测、未测试热点、变更熵等）为每个文件生成 1–10 的健康评分，并提供具体重构计划（提取类/方法、移动方法、拆分文件等）。
测试智能	通过调用图找出哪些测试触及一个文件（当覆盖率报告缺失时的回退方案），并可列出差分所触发的最小测试集。
变更风险	使用图和 Git 信号对差分或 PR 进行 0–10 分的评分，返回可操作指令如 `may_break` 或 `missing_tests`。
MCP 工具	十个任务型“模型-控制-协议”端点（图、Git、文档、决策、健康、风险、受影响测试、提炼等），任何 MCP 兼容代理（Claude Code、Codex、Cursor、VS Code 等）均可调用。
提炼	在命令输出（如长 `pytest` 日志）到达代理前进行压缩，保留错误和退出码的同时，将 token 使用量减少 60–90 %。
PR 机器人	GitHub 应用，为每个 PR 发布一条持续更新的评论，包含影响范围、测试影响、风险评分、健康警报以及详细分析页面链接。

典型工作流程

安装 – pip install repowise。
初始化 – 在目标仓库内运行 repowise init --no-prose -y。此操作解析代码、构建图、提取 Git 信号、创建维基，并运行健康检测器。
服务 – repowise serve 启动本地 HTTP 端点，暴露 MCP 工具。
连接 – 将你的编码代理（Claude Code、Codex、Cursor 等）指向该端点，或打开内置仪表板探索健康评分、变更风险和重构建议。
迭代 – 随着仓库变化，Repowise 会增量更新索引，无需重新运行完整分析即可保持所有答案最新。

适用人群

使用场景	Repowise 如何帮助
AI 辅助开发	代理通过单次调用即可获得预计算、带引用的上下文（例如“谁调用了 `auth.validate`？”），减少 token 消耗和延迟。
安全的拉取请求审查	自动风险评分、测试影响列表和影响范围图直接显示在 PR 评论中，让审查者专注于真实破坏风险。
持续代码健康改进	健康评分揭示缺陷高发文件；具体重构计划可输入代理或手动应用。
大型多仓库工作区	单个 MCP 端点可服务多个仓库，支持跨服务契约检查和架构强制。
企业部署	核心分析完全在本地运行，无需 API 密钥，AGPL-3.0 许可，企业可选付费支持、安全扩展和 SLA 保证。

安装与快速入门

pip install repowise               # 获取 CLI 和库
cd /path/to/your/repo
repowise init --no-prose -y        # 构建索引（无需 LLM）
repowise serve                     # 启动本地 MCP 服务器
# 示例查询
repowise risk main..HEAD           # 当前 PR 的变更风险评分
repowise health --refactoring-targets  # 列出低健康文件及具体修复方案
repowise impacted-tests main..HEAD   # 差分的最小测试集

完整说明见 docs/start/QUICKSTART.md。

证据与基准测试

代理效率 – 在 django/django 仓库上对 43 个问题的研究显示，Repowise 将代理输出减少 31.6 %，工具调用次数从 7.2 → 3.8（p < 0.0001）。
负载减少 – 典型提交上下文从 13,984 → 393 个 token（减少 97.2 %）。
缺陷预测 – 健康引擎的 49 个检测器基于真实缺陷语料库校准；仓库内验证显示，最低健康文件中最近缺陷的富集度为 3.3×。
图准确性 – 在 37,853 个 Oracle 边上与 5 个其他工具对比；Repowise 在所有 7 个编译器评分单元中均达到最高精度。
所有基准数据、方法和局限性均在 docs/BENCHMARKS.md 中公开。

许可与可用性

开源 – AGPL-3.0（源码在 GitHub，PyPI 包 repowise）。
自托管 – 核心分析在本地运行，无需外部 API 密钥或云服务。
商业选项 – 企业可选付费支持、安全扩展和 SLA 保证。

学习更多

实时演示 – https://repowise.dev（无需登录）。
文档 – https://docs.repowise.dev
GitHub 仓库 – https://github.com/repowise-dev/repowise
PR 机器人安装 – https://github.com/apps/repowise-bot

总结 – Repowise 将仓库转变为一个确定性知识库，AI 代理和开发者可即时查询，降低 token 成本，提升安全性，并在不向远程 LLM 发送代码的情况下提供具体、可执行的修复方案。