把潜规则绣进代码图
论文讲的是：给大模型造一个能自动挖掘并复用领域开发暗规则的脚手架
1问题
想让大模型写出带领域黑话的业务代码，光靠拼凑公开文档就像盲人摸象，永远拼不出完整图纸。主角就是负责写代码的AI智能体，它面前撞着一堵隐形的墙：领域里藏着大量没人写下来的潜规则，比如老板口头交代的业务红线、老员工靠踩坑才懂的接口默契、甚至数据库字段命名的土规矩。这些暗线散落在成百上千个源文件里，藏在函数调用和依赖关系的缝隙中，智能体天生看不见也摸不着，结果就是生成的代码要么跑不通，要么埋下定时炸弹。以前的前人试过死磕说明书和海量搜索，前者读到一半发现全是过时注释，后者跑半天只能捞出几行不相关的报错日志，碰壁而归。直到作者意识到，这根本不该靠翻书解决，得让机器亲手走一遍老员工的开发流程，把散落的经验熬成配方，直接喂到它敲键盘的手边。
2翻译
回到挂号系统这个例子。这套被命名为PRAXIS的方法干了三件实事。首先，它不让智能体空想，而是派出一群虚拟新手在代码库里按真实节奏跑一遍任务。就像学徒跟着师父过开诊流程，每一步操作和决策都被记录下来。接着，这些记录被压进一张“代码地图”。这张地图的每个路口代表一个函数或文件，路绳表示谁调用了谁。虚拟新手的每一次成功尝试，都被提炼成一个标准化的经验模块，贴在这张图的对应节点上。最后，当真正的智能体准备写下一段挂号逻辑时，系统会提前把这个路口附近的所有经验模块打包塞给它，而不是等它报错再去问。实验数据显示，这套做法比纯靠外部搜索的成熟代理高出了百分之二十四的生成通过率；随着虚拟演练次数从十次增加到一百次，正确率还能稳步爬坡接近九成；更关键的是，它把原本需要人工整理半个月的领域规则，压缩到了几小时内自动完成。有意思的是，作者发现模拟过程中产生的失败记录比成功案例更有价值，那些踩坑轨迹反而让模型在后续决策中少犯了八成同类错误。
3核心概念
支撑这个框架的离不开三样东西。第一是工作流仿真器，它不是一次性读取代码，而是像回放录像一样，按照业务指令在库里逐步执行动作，从而激活那些沉睡的调用链。第二是依赖图结构，这是存放经验的骨架。传统方法喜欢把知识切成孤立的问答对，但这里所有经验都强制绑在函数之间的连线节点上，形成一张网。第三是主动触达策略，这也是设计选择中最关键的一步。以前的检索是等模型开口要才给资料，这里改成根据当前正在写的代码片段，提前预测它下一步大概率需要的上下文，直接把相关知识推送到输入端。拿挂号系统来说，仿真器记录了老手如何绕过医保接口的超时限制，依赖图把这些步骤锁在对应的API节点上，而主动触达策略会在智能体准备写支付回调函数时，抢先弹出那条避坑指南。这三件工具缺一不可，缺了仿真就找不到暗线，缺了图结构就存不成网，缺了主动推送就会重蹈信息过载的覆辙。
4洞见
领域的门槛从来不在显性的说明书里，而在人踩过多少次坑后肌肉记忆形成的默认选项。
5博导审稿
选题眼光不错，抓住了大模型做垂直领域时的真痛点，不是跟风堆算力而是往认知缺口里钻。方法成熟度上，用虚拟仿真替代真人调试很巧妙，但有个隐忧没展开：如果目标代码库本身就满是反模式或者历史包袱极重，仿真过程会不会学到一堆垃圾经验？论文只假设了代码质量及格，没讨论负迁移怎么截断。实验诚意中规中矩，提升了通过率和效率是实打实的，但缺乏跨语言或超大规模仓库的压力测试，数字可能经不起追问。写作功力流畅，比喻接地气，图表逻辑清晰。判决：weak accept。故事讲通了，但在复杂工业代码上的抗干扰能力和负面经验过滤机制还需要补刀，否则落地时会遇到水土不服。
6启发
这意味着你可以把隐性经验图谱化做成你项目的标准配置。迁移层面，它能无缝插到你现有的代码推荐插件里，替换掉那个反应迟钝的向量检索模块。混搭层面，你可以把它提取出的失败轨迹拿来微调本地小模型，让它先天自带领域避雷针。反转层面，如果你平时总想着用更多提示词引导模型，不妨反过来试试先把环境里的暗规则抽出来灌满上下文窗口，让模型少思考多执行。