AI 代码生成后的失控感，我是如何解决的？
上个月，我用 Cursor 进行了一次大规模代码重构。仅三天时间，AI 替我生成了两万行代码，覆盖了 40 多个文件。然而第四天，一个 Bug 让我瞬间紧张起来。问题不在于代码写不好，而在于 AI 写得太快——当代码量增长速度超过了你的理解速度时，那种失控感会让人极度不安。要追踪一个 Bug，链路跨越了 7 个文件，其中 5 个是 AI 写的，而你压根没仔细看过它们。这种感觉，就像你不知道自己的车是怎么开到了目的地。
我真正想要的是什么？
关键在于：我并非要逐行审查 AI 写的每一行代码——那样做还不如自己写。我真正想要的，是一眼就能看清项目在做什么，而不是盯着什么调用图或 import 关系。调用图是给编译器看的，import 关系是给打包工具看的，而我想看到的，是能跟同事口头描述功能时那种“人话”：简洁、清晰，一开口就能让彼此理解。
举个例子，你并不是要分析代码里的每个钩子，而是想知道“用户登录时，系统究竟干了什么”。这需要的是一种语义级别的地图，而不是代码级别的树状结构。
一次实践尝试
经过几天的思考，我创造了一个名为 CodeSee 的工具。核心想法很简单：让 AI 在写代码的同时，也生成一份“功能地图”。这不是代码级别的描述——它是语义级别的。好比做菜：你不需要知道每克盐如何投放，而是需要理解这道菜的整体流程。
功能地图长什么样？
它采用三层视图，从粗到细：
- 概览——展示整个项目有哪些大模块，以及它们之间的关联关系。
- 功能——每个模块中具体包含哪些功能。
- 流程——一个功能内部的步骤链条，包含异步、条件分支和错误处理。
这种设计让你能按需深入，而不是一开始就被海量细节淹没。
它是如何工作的？
简单来说就两件事：
- AI 生成一份 JSON 文件（features.json），描述项目的功能结构。
- 前端画布读取这份 JSON，将其渲染为可交互的流程图。
AI 怎么知道该写什么？我编写了一套 prompt，告诉它：你刚写完代码，现在请把这个功能用“动作短语”描述出来，写入 features.json。关键点在于，这份 JSON 是纯文本形式，支持 git diff，支持人工修改，也支持锁定不让 AI 覆盖。它不是黑盒，透明且可控。
最佳使用方式
经验表明，从项目第一天就集成效果最好。为什么？因为 AI 刚写完代码时，它完全清楚每一步做了什么。如果让它“回忆”一个已有项目的逻辑，准确率会大幅下降。
工作流是这样的：你说“实现用户登录”→ AI 写代码 → AI 顺手更新 features.json → 你打开画布看一眼“哦，原来是这么串起来的”→ 发现设计问题 → 告诉 AI 修改 → 进入下一个功能。画布变成了一幅活着的架构图，始终与代码保持同步。
为什么不用现有工具？
我调研过不少方案：
- Mermaid / PlantUML——需要手动维护，AI 改了代码你还得手动改图，几天就过时了。
- 代码调用图工具——颗粒度太细，看到的是函数调用而非业务逻辑。
- Notion / 飞书文档——与代码完全脱节，无法自动同步。
CodeSee 的定位是：AI 自动维护、语义级别、可交互画布、与代码同步，这四点同时满足的方案目前没有找到替代品。
技术实现细节
- 前端：React + React Flow + ELK 布局算法 + Tailwind。
- 数据：纯 JSON 文件，AI 通过 prompt 生成。
- 校验：写了一个零依赖的 validator，AI 写完自动运行，防止它编造不存在的字段。
- 兼容性：Cursor / Claude Code / Kiro / Copilot / Codex 都能用，只要你能读取 AGENTS.md。
开源地址
项目以 MIT 协议发布，并提供 Windows 和 macOS/Linux 的安装脚本。如果你也有“AI 写太快，我跟不上”的体验，不妨试试看。
