AI 应用规划 · 2026

让每个开发者拥有一个
懂我们代码库的
AI 协作者

从基础设施出发，逐步构建智能日志分析、代码生成
与硬件工程师问答能力

嵌入式软件团队 · 2026年 3月
Infra 已完成核心功能
日志分析 · 近期
代码生成 · 中期
自动化 · 长期
1 / 6
整体规划

一个地基，三层应用

AI 应用层
日志分析助手
代码生成助手
团队 AI 问答助手
依赖
基础设施层（Infra）— 已完成
Code Graph Builder — 代码知识图谱引擎
知识图谱 向量检索 API 文档 MCP 工具接口
解析
代码仓库
C 语言代码仓库（10w+ 行）
所有上层应用共享同一套基础设施 — 一次建设，多处受益
2 / 6
✅ 当前进展

Code Graph Builder

将代码仓库解析为结构化知识图谱，暴露为 AI Agent 可直接调用的工具接口

环节 技术方案
代码解析Tree-sitter AST，提取函数、调用关系、模块依赖
知识图谱Kuzu 图数据库，10+ 节点与关系类型
语义检索Qwen3 向量嵌入，支持自然语言查询
文档生成三级 API 文档（索引 / 模块 / 函数）
工具接口MCP Server，提供 19 个 Agent 可调工具
源码 → AST 解析 → 知识图谱 → 向量嵌入 → MCP 接口
解决了什么问题

AI 助手处理 10w+ 行代码时容易"迷路"，给出错误建议。知识图谱让 Agent 有了精确的代码地图：

"函数 xxx_init() 被哪些模块调用？"
→ 图谱直接返回调用链
"实现 CAN 总线收发的相关函数有哪些？"
→ 向量检索返回语义相关结果
3 / 6
近期规划

日志分析助手

设备日志排障当前依赖人工经验，效率低。通过知识图谱建立日志编号 → 代码触发路径的映射，系统化定位问题。

Step 1
输入日志编号
错误码 / 事件 ID
→
Step 2
定位打印位置
函数名 + 文件行号
→
Step 3
图谱追溯调用链
调用了谁 / 被谁调用
→
Step 4
输出分析结果
触发路径 + 逻辑摘要 + 可能原因
⚡ 预期收益：问题定位时间从 小时级 缩短至 分钟级，对新成员友好，大幅降低排障门槛
4 / 6
中期规划

代码生成助手

通用工具不了解我们的规范与隐性约定，生成的代码"形似神不似"。四个阶段解决这个问题：

阶段 1 · 需求澄清
结构化需求 + 上下文注入
引导明确需求，自动从图谱检索相关代码片段、接口规范，注入生成上下文，避免重复造轮子
阶段 2 · 知识库
隐性知识沉淀
存储代码中无法直接推断的约定：命名规范、模块划分方式、特定操作的副作用，让 AI 真正懂我们的代码风格
阶段 3 · 编译核查
自动编译 + 迭代修正
生成代码自动提交服务器编译，解析编译日志反馈给 AI 修正，形成 生成 → 编译 → 修正 闭环
阶段 4 · 记录沉淀
开发记录 + 定制复用
每次开发完自动保存结构化记录，未来交付特殊规格软件包时，AI 可基于历史记录快速整合适配
5 / 6
长期愿景

自动化与智能化

自动化测试
Harness Engineering
  • 基于图谱自动识别关键函数和边界条件
  • 自动生成桩函数（Stub）和测试驱动（Driver）
  • 代码变更自动触发相关模块测试验证

将代码质量保障从"人工 review"逐步演进为部分自动化验证

AI 问答
团队 AI 问答助手

面向硬件工程师，联调排障时无需打断软件同事，直接用自然语言提问：

  • "PV 拉短的逻辑是什么？"
  • "直流分闸的告警是怎么触发的？"

AI 基于代码图谱直接给出精准回答

这套规划的核心逻辑：先打好地基，再逐层叠加应用。 每个阶段都有明确的可交付成果，确保投入产出比清晰可见。
6 / 6