CodeScope Cypher 查询模式实战用知识图谱深挖代码调用链、演化史与架构风险【免费下载链接】qwen-codeAn open-source AI coding agent that lives in your terminal.项目地址: https://gitcode.com/GitHub_Trending/qw/qwen-code导读CodeScope 是本仓库qwen-code内置的代码知识图谱技能Skill见 .qwen/skills/codegraph/SKILL.md它将源码索引为结构 演化 语义三层知识图函数、调用、模块构成的静态结构提交、文件变更、函数修改构成的演化史以及每个函数的语义向量。本文聚焦 CodeScope 的核心查询语言——Cypher 模式整理出一套可直接运行的查询模板从谁调用了 free_irq这类精确结构问题到哪些函数经常一起被修改这类演化分析再到语义搜索与结构查询组合的高级调查策略。读完本文你将能基于.codegraph索引独立完成调用链追踪、死代码排查、热点定位、跨模块耦合评估和代码演化取证并懂得如何根据索引回填状态选择正确的查询路径。本文对应的原始查询模板库位于 .qwen/skills/codegraph/patterns.md图谱完整 schema 见 .qwen/skills/codegraph/schema.md。一、查询前置索引、执行入口与数据模型1.1 执行入口patterns.md 中所有 Cypher 查询均通过 Python API 执行rows list(cs.conn.execute( MATCH (caller:Function)-[:CALLS]-(f:Function {name: free_irq}) RETURN caller.name, caller.file_path LIMIT 10 )) for r in rows: print(r)其中cs为CodeScope实例cs.conn.execute(query)返回元组列表。cs.vector_only_search(query, topk10)提供语义检索cs.summary()输出索引覆盖概览详见 .qwen/skills/codegraph/SKILL.md 的 Core Python API 一节。查询前务必cs.close()释放资源。1.2 索引的创建与回填演化查询的前提演化类查询依赖 git 历史被摄入图库。若索引尚未建立或缺少提交数据需先执行命令与参数取自 SKILL.md# 新建索引--commits 500 摄入 git 历史--backfill-limit 200 额外计算函数级 MODIFIES 边 codegraph init --repo . --lang auto --commits 500 --backfill-limit 200 # 为已有索引增量补充 git 历史 codegraph ingest --repo . --db $CODESCOPE_DB_DIR --commits 500 codegraph ingest --repo . --db $CODESCOPE_DB_DIR --backfill-limit 200关键区别在于并非所有提交都带有函数级MODIFIES边。只有version_tag bfbackfill的提交才计算了MODIFIES所有提交始终带有文件级TOUCHES边。这一点直接决定了下文演化查询哪些可用、哪些会返回空结果。1.3 查询必需的图模型速览为了让下面的模式可读先给出 schema完整定义见 .qwen/skills/codegraph/schema.md的核心节点与边节点关键属性说明Filepath, language, loc, is_externalis_external1表示系统头文件/库桩Functionname, qualified_name, signature, file_path, start_line, end_line, class_name, is_historicalis_historical1表示已删除/重命名但保留的历史函数Classname, qualified_name, file_path类/接口/枚举统一建模Modulename, path_prefix由目录自动发现如kernel/schedCommithash, message, author, timestamp, version_tagversion_tagbf表示已回填MODIFIESPRid, title, author, risk_level, label由codegraph pr-review prepare写入边方向含义CALLSFunction → Function静态调用图AST 解析DEFINES_FUNCFile → Function文件定义了该函数BELONGS_TOFile → Module文件所属模块TOUCHESCommit → File提交改动该文件始终存在MODIFIESCommit → Function提交改动该函数需回填写查询前先在脑内回答三个问题是否过滤历史函数is_historical是否过滤外部文件is_external使用的边是否已被回填这三个过滤器贯穿全文所有模式。二、结构查询模式调用链、模块归属与风险度量本节全部查询可在建立索引后直接运行原文见 patterns.md 的 Structural Queries 一节。2.1 谁调用了某个函数fan-in直接调用者MATCH (caller:Function)-[:CALLS]-(f:Function {name: free_irq}) RETURN caller.name, caller.file_path ORDER BY caller.name LIMIT 30按调用者名字排序并限制 30 行适合快速盘点一个函数的直接调用面。若函数在多个文件中存在同名定义可再叠加f.file_path ENDS WITH ...或f.class_name精确到具体定义该做法在 pr-analysis.md 的 Cypher 模式一节有明确提醒Function节点自带完整路径file_path不要通过 joinFile节点做路径匹配。2.2 一个函数调用了什么fan-out直接被调用者MATCH (f:Function {name: sched_fork})-[:CALLS]-(callee:Function) RETURN callee.name, callee.file_path没有 ORDER BY 和 LIMIT适合拿到完整 callee 清单后交给下一步分析。2.3 传递调用者多跳 fan-inMATCH (caller:Function)-[:CALLS*1..3]-(f:Function {name: kfree}) RETURN DISTINCT caller.name, caller.file_path LIMIT 50[*1..3]是可变长度路径覆盖 1 到 3 跳的传递调用者DISTINCT去重。这是改一个函数影响面有多大的最直接回答。注意 schema 中明确提示大图上避免过深的可变长度路径pr-analysis.md 提到CALLS*1..N在大型图上开销昂贵工程实现中固定 1/2 跳查询。2.4 模块内的全部函数MATCH (f:Function)-[:DEFINES_FUNC]-(file:File)-[:BELONGS_TO]-(m:Module) WHERE m.path_prefix net/core RETURN f.name, file.path LIMIT 30通过File → BELONGS_TO → Module反查模块下所有函数。path_prefix是模块前缀模块由目录自动发现如kernel/sched、net/core。2.5 跨模块调用如 fs → mmMATCH (f1:Function)-[:CALLS]-(f2:Function), (file1:File)-[:DEFINES_FUNC]-(f1), (file2:File)-[:DEFINES_FUNC]-(f2), (file1)-[:BELONGS_TO]-(m1:Module {path_prefix: fs}), (file2)-[:BELONGS_TO]-(m2:Module {path_prefix: mm}) RETURN f1.name, f2.name, count(*) AS calls ORDER BY calls DESC LIMIT 20在单条MATCH中并列多个模式schema 提示避免WITH后再链式MATCH优先单MATCH多模式逗号分隔。该查询量化了模块间的耦合强度是架构分层审计的基石。2.6 Fan-in 与 fan-out 及其乘积风险度量MATCH (caller:Function)-[:CALLS]-(f:Function)-[:CALLS]-(callee:Function) WHERE f.is_historical 0 WITH f, count(DISTINCT caller) AS fi, count(DISTINCT callee) AS fo RETURN f.name, f.file_path, fi, fo, fi * fo AS risk ORDER BY risk DESC LIMIT 20fi * fo入度 × 出度是该函数的结构风险度量既被大量调用、又调用大量函数往往意味着高扇入扇出热点。此处显式加入f.is_historical 0过滤历史函数——这是全文最重要的过滤器之一见 SKILL.md 的 Important Filters 一节。cs.hotspots(topk10)方法即基于该思想封装SKILL.md 中描述为按结构风险fan-in × fan-out排名。2.7 模块规模排行MATCH (f:Function)-[:DEFINES_FUNC]-(file:File)-[:BELONGS_TO]-(m:Module) WHERE f.is_historical 0 RETURN m.path_prefix, count(f) AS func_count ORDER BY func_count DESC LIMIT 30快速定位代码最密集的模块作为架构报告或重构优先级的第一步。2.8 按名称模式检索函数MATCH (f:Function) WHERE f.name STARTS WITH irq_ RETURN f.name, f.file_path LIMIT 20MATCH (f:Function) WHERE f.name CONTAINS alloc RETURN f.name, f.file_path LIMIT 30Neug Cypher 支持STARTS WITH/CONTAINS/ENDS WITH字符串谓词见 schema.md 的语法参考两条查询分别覆盖前缀约定如中断子系统irq_*和语义关键词如分配类函数*alloc*两种检索习惯。三、演化查询模式从提交看代码如何演变本节查询依赖 git 历史已被摄入--commits且部分依赖回填--backfill-limit。执行前建议先做数据可用性检查详见第五节。3.1 某个提交修改了哪些函数MATCH (c:Commit)-[:MODIFIES]-(f:Function) WHERE c.hash STARTS WITH abc123 RETURN f.name, f.file_pathMODIFIES是函数级边需回填后才存在。用哈希前缀匹配提交直接拿到该提交的函数级改动面——这是这个修复到底动了什么的标准答案。3.2 哪些提交触碰了某个文件MATCH (c:Commit)-[:TOUCHES]-(file:File {path: kernel/sched/core.c}) RETURN c.hash, c.message, c.authorTOUCHES是文件级边所有提交都有因此该查询总是可用。它是回填不完整时的降级方案见组合策略的 Incremental Investigation。3.3 协同变更函数经常一起被修改MATCH (c:Commit)-[:MODIFIES]-(f1:Function), (c)-[:MODIFIES]-(f2:Function) WHERE f1.id f2.id RETURN f1.name, f2.name, count(c) AS co_changes ORDER BY co_changes DESC LIMIT 20f1.id f2.id消除对称重复A-B 与 B-A 只保留一种。co_changes越高说明两个函数在改动上越共生——它们很可能共享某个隐式的契约或数据结构。对应 Python 封装为cs.co_change(func_name, ...)SKILL.md Evolution 一节PR 分析中历史协同变更文件是否缺失于本 PR也是基于此思想当前在pr_review中权重设为 0.0 被禁用见 pr-analysis.md。3.4 最大的提交改动函数最多的提交MATCH (c:Commit)-[:MODIFIES]-(f:Function) RETURN c.hash, c.message, count(f) AS funcs_changed ORDER BY funcs_changed DESC LIMIT 10一次性盘点历史上最大的提交通常对应大规模重构或新特性合并可作为 git log 之外的第二个审视入口。3.5 历史函数已删除/重命名MATCH (f:Function) WHERE f.is_historical 1 RETURN f.name, f.file_path LIMIT 30is_historical 1标记已删除/重命名的函数它们在图中作为历史记录保留。依赖考古Dependency Archaeology用它区分幽灵函数与现存函数。3.6 回填进度核查MATCH (c:Commit) WHERE c.version_tag bf RETURN count(c) AS backfilled在运行任何依赖MODIFIES的查询3.1、3.3、3.4之前先用此查询确认回填覆盖。与MATCH (c:Commit) RETURN count(c)对比可评估回填比例。3.7 最频繁被修改的文件MATCH (c:Commit)-[:TOUCHES]-(f:File) RETURN f.path, count(c) AS commits ORDER BY commits DESC LIMIT 20基于始终可用的TOUCHES边是稳定性的粗粒度指标改动频繁的文件通常伴随更高的回归风险适合作为测试投入的重点。四、组合策略把结构、语义与演化编织成调查方法论patterns.md 明确指出这些策略组合多种查询类型以获得更深洞察这一节是对前两节模式的战术编排。4.1 Semantic Structural语义结构互证用cs.vector_only_search(error recovery)先按语义相似度找到候选函数返回[{id, score}]再用 Cypher 检查这些函数是否共享调用者或同属一个模块。价值在于语义检索能发现命名完全不同但职责相近的代码结构查询则验证它们是否处于同一架构区域——两者交叉即可揭示隐藏的架构模式比如错误恢复逻辑散落但集中在三个模块。4.2 Hypothesis Testing假设检验对同一组函数同时计算 fan-in 计数2.1/2.6 类查询与MODIFIES计数3.1/3.4 类查询分析二者相关性以验证架构假设。典型命题被调用最多的函数是否也最稳定改动最少如果相关性弱说明高扇入函数仍在剧烈变动——这是危险的架构信号应在架构评审中重点暴露。4.3 Evolution Forensics演化取证找出跨多模块的提交逐一检查其改动函数集合通过触及模块数 × 触及函数数把提交分类为重构模块多、函数多且同质、新特性函数新增为主或缺陷修复函数少而集中。这比读 commit message 更客观可用于复盘历史决策或评估团队协作模式。4.4 Dependency Archaeology依赖考古死代码不是一蹴而就的而是调用者逐个消失的过程用MATCH (f:Function) WHERE f.is_historical 0结合 fan-in 查询找零扇入函数排除入口点如main、run——即死代码候选检查is_historical标记定位幽灵函数用MODIFIES/TOUCHES追溯是哪些提交删除了它们的调用者。三步串联即可回答这段代码何时、为何变成死代码。cs.dead_code()方法已封装第一步SKILL.md Structural Analysis 一节。4.5 Incremental Investigation增量调查先cs.summary()获取索引覆盖率概览再核查回填状态3.6。如果MODIFIES稀疏就改用TOUCHES的文件级分析3.2/3.7而不是函数级分析3.1/3.3——根据数据可用性动态降级避免在空结果上浪费时间。同样的思路也适用于 bug 根因分析先确认Commit节点是否存在再决定演化查询的深度SKILL.md Checking Data Availability 一节。五、查询纪律防误导过滤器与数据可用性核查patterns.md 与 SKILL.md 共同强调的四条纪律是所有自定义 Cypher 的安全带SKILL.md Important Filters for Cypher过滤器作用f.is_historical 0排除图中保留的已删除/重命名函数防止统计幽灵代码f.is_external 0File 节点排除系统头文件/库桩聚焦业务代码c.version_tag bf只有回填提交有MODIFIES边未回填提交仅TOUCHES总是LIMIT大型代码库可能返回数十万行必须限制结果集运行演化查询前的数据可用性检查# 已索引多少提交 list(cs.conn.execute(MATCH (c:Commit) RETURN count(c))) # 其中多少已回填有 MODIFIES 边 list(cs.conn.execute(MATCH (c:Commit) WHERE c.version_tag bf RETURN count(c)))判断规则SKILL.md无任何Commit节点 → 演化方法返回空引导用户先codegraph ingest有提交但未回填 →TOUCHES文件级查询可用MODIFIES函数级查询不可用。此外Neug Cypher 本身有两条语法边界schema.md不支持通过 Cypher 做CREATE/SET/DELETE图变更走 Python APIWITH后链式MATCH可能受限优先单MATCH多模式。六、从模式到方法论路由到正确工具patterns.md 是查询模板层但实际的决策入口是问题 → 工具路由SKILL.md How to Route Questions 一节的核心思想用户问题推荐路径谁调用了 free_irq结构 Cypher2.1与内存分配相关的函数cs.vector_only_search(memory allocation)或cs.cross_locate(...)最复杂的函数是哪个cs.hotspots(topk1)网络栈里有没有死代码cs.dead_code()后按路径过滤schedule() 最近怎么变的cs.change_attribution(schedule, kernel/sched/core.c)哪些模块耦合最紧cs.module_coupling(topk20)哪些函数总与 kmalloc 一起变cs.co_change(kmalloc)生成完整架构报告codegraph analyze或generate_report(cs)新式调查无现成方法按本文模式组合原始 Cypher路由决策的关键判断SKILL.md 原文用户要的是精确结构答案、模糊语义答案还是 bug 到代码的映射——三者分别对应 Cypher、向量检索、issue 分析管线。当问题超出预置方法时patterns.md 就是你的起点本文第二、三节的每个模式都可独立抽出按第四节策略自由拼接。七、小结与延伸阅读本文完整覆盖了 patterns.md 的全部 17 个 Cypher 查询模板与 5 种组合策略结构查询回答谁/被谁调用、模块归属、耦合与风险度量演化查询回答提交如何塑造代码组合策略把单一查询升级为可验证的架构调查方法论。四条过滤纪律与数据可用性检查则保证了结论不被历史残留或回填缺口污染。进一步深入图谱完整 schema节点/边/属性/语法边界.qwen/skills/codegraph/schema.md全量 API 与安装、索引、回填命令 .qwen/skills/codegraph/SKILL.mdBug 根因分析工作流结构 语义 issue 提取的组合实战.qwen/skills/codegraph/bug-analysis.mdPR 影响与冲突分析CHANGES边、CALLS链、风险打分权重.qwen/skills/codegraph/pr-analysis.md技能评估用例验证 bug 定位类查询的预期行为.qwen/skills/codegraph/evals/evals.json【免费下载链接】qwen-codeAn open-source AI coding agent that lives in your terminal.项目地址: https://gitcode.com/GitHub_Trending/qw/qwen-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 CodeScope Cypher 查询模式实战：用知识图谱深挖代码调用链、演化史与架构风险
CodeScope Cypher 查询模式实战用知识图谱深挖代码调用链、演化史与架构风险【免费下载链接】qwen-codeAn open-source AI coding agent that lives in your terminal.项目地址: https://gitcode.com/GitHub_Trending/qw/qwen-code导读CodeScope 是本仓库qwen-code内置的代码知识图谱技能Skill见 .qwen/skills/codegraph/SKILL.md它将源码索引为结构 演化 语义三层知识图函数、调用、模块构成的静态结构提交、文件变更、函数修改构成的演化史以及每个函数的语义向量。本文聚焦 CodeScope 的核心查询语言——Cypher 模式整理出一套可直接运行的查询模板从谁调用了 free_irq这类精确结构问题到哪些函数经常一起被修改这类演化分析再到语义搜索与结构查询组合的高级调查策略。读完本文你将能基于.codegraph索引独立完成调用链追踪、死代码排查、热点定位、跨模块耦合评估和代码演化取证并懂得如何根据索引回填状态选择正确的查询路径。本文对应的原始查询模板库位于 .qwen/skills/codegraph/patterns.md图谱完整 schema 见 .qwen/skills/codegraph/schema.md。一、查询前置索引、执行入口与数据模型1.1 执行入口patterns.md 中所有 Cypher 查询均通过 Python API 执行rows list(cs.conn.execute( MATCH (caller:Function)-[:CALLS]-(f:Function {name: free_irq}) RETURN caller.name, caller.file_path LIMIT 10 )) for r in rows: print(r)其中cs为CodeScope实例cs.conn.execute(query)返回元组列表。cs.vector_only_search(query, topk10)提供语义检索cs.summary()输出索引覆盖概览详见 .qwen/skills/codegraph/SKILL.md 的 Core Python API 一节。查询前务必cs.close()释放资源。1.2 索引的创建与回填演化查询的前提演化类查询依赖 git 历史被摄入图库。若索引尚未建立或缺少提交数据需先执行命令与参数取自 SKILL.md# 新建索引--commits 500 摄入 git 历史--backfill-limit 200 额外计算函数级 MODIFIES 边 codegraph init --repo . --lang auto --commits 500 --backfill-limit 200 # 为已有索引增量补充 git 历史 codegraph ingest --repo . --db $CODESCOPE_DB_DIR --commits 500 codegraph ingest --repo . --db $CODESCOPE_DB_DIR --backfill-limit 200关键区别在于并非所有提交都带有函数级MODIFIES边。只有version_tag bfbackfill的提交才计算了MODIFIES所有提交始终带有文件级TOUCHES边。这一点直接决定了下文演化查询哪些可用、哪些会返回空结果。1.3 查询必需的图模型速览为了让下面的模式可读先给出 schema完整定义见 .qwen/skills/codegraph/schema.md的核心节点与边节点关键属性说明Filepath, language, loc, is_externalis_external1表示系统头文件/库桩Functionname, qualified_name, signature, file_path, start_line, end_line, class_name, is_historicalis_historical1表示已删除/重命名但保留的历史函数Classname, qualified_name, file_path类/接口/枚举统一建模Modulename, path_prefix由目录自动发现如kernel/schedCommithash, message, author, timestamp, version_tagversion_tagbf表示已回填MODIFIESPRid, title, author, risk_level, label由codegraph pr-review prepare写入边方向含义CALLSFunction → Function静态调用图AST 解析DEFINES_FUNCFile → Function文件定义了该函数BELONGS_TOFile → Module文件所属模块TOUCHESCommit → File提交改动该文件始终存在MODIFIESCommit → Function提交改动该函数需回填写查询前先在脑内回答三个问题是否过滤历史函数is_historical是否过滤外部文件is_external使用的边是否已被回填这三个过滤器贯穿全文所有模式。二、结构查询模式调用链、模块归属与风险度量本节全部查询可在建立索引后直接运行原文见 patterns.md 的 Structural Queries 一节。2.1 谁调用了某个函数fan-in直接调用者MATCH (caller:Function)-[:CALLS]-(f:Function {name: free_irq}) RETURN caller.name, caller.file_path ORDER BY caller.name LIMIT 30按调用者名字排序并限制 30 行适合快速盘点一个函数的直接调用面。若函数在多个文件中存在同名定义可再叠加f.file_path ENDS WITH ...或f.class_name精确到具体定义该做法在 pr-analysis.md 的 Cypher 模式一节有明确提醒Function节点自带完整路径file_path不要通过 joinFile节点做路径匹配。2.2 一个函数调用了什么fan-out直接被调用者MATCH (f:Function {name: sched_fork})-[:CALLS]-(callee:Function) RETURN callee.name, callee.file_path没有 ORDER BY 和 LIMIT适合拿到完整 callee 清单后交给下一步分析。2.3 传递调用者多跳 fan-inMATCH (caller:Function)-[:CALLS*1..3]-(f:Function {name: kfree}) RETURN DISTINCT caller.name, caller.file_path LIMIT 50[*1..3]是可变长度路径覆盖 1 到 3 跳的传递调用者DISTINCT去重。这是改一个函数影响面有多大的最直接回答。注意 schema 中明确提示大图上避免过深的可变长度路径pr-analysis.md 提到CALLS*1..N在大型图上开销昂贵工程实现中固定 1/2 跳查询。2.4 模块内的全部函数MATCH (f:Function)-[:DEFINES_FUNC]-(file:File)-[:BELONGS_TO]-(m:Module) WHERE m.path_prefix net/core RETURN f.name, file.path LIMIT 30通过File → BELONGS_TO → Module反查模块下所有函数。path_prefix是模块前缀模块由目录自动发现如kernel/sched、net/core。2.5 跨模块调用如 fs → mmMATCH (f1:Function)-[:CALLS]-(f2:Function), (file1:File)-[:DEFINES_FUNC]-(f1), (file2:File)-[:DEFINES_FUNC]-(f2), (file1)-[:BELONGS_TO]-(m1:Module {path_prefix: fs}), (file2)-[:BELONGS_TO]-(m2:Module {path_prefix: mm}) RETURN f1.name, f2.name, count(*) AS calls ORDER BY calls DESC LIMIT 20在单条MATCH中并列多个模式schema 提示避免WITH后再链式MATCH优先单MATCH多模式逗号分隔。该查询量化了模块间的耦合强度是架构分层审计的基石。2.6 Fan-in 与 fan-out 及其乘积风险度量MATCH (caller:Function)-[:CALLS]-(f:Function)-[:CALLS]-(callee:Function) WHERE f.is_historical 0 WITH f, count(DISTINCT caller) AS fi, count(DISTINCT callee) AS fo RETURN f.name, f.file_path, fi, fo, fi * fo AS risk ORDER BY risk DESC LIMIT 20fi * fo入度 × 出度是该函数的结构风险度量既被大量调用、又调用大量函数往往意味着高扇入扇出热点。此处显式加入f.is_historical 0过滤历史函数——这是全文最重要的过滤器之一见 SKILL.md 的 Important Filters 一节。cs.hotspots(topk10)方法即基于该思想封装SKILL.md 中描述为按结构风险fan-in × fan-out排名。2.7 模块规模排行MATCH (f:Function)-[:DEFINES_FUNC]-(file:File)-[:BELONGS_TO]-(m:Module) WHERE f.is_historical 0 RETURN m.path_prefix, count(f) AS func_count ORDER BY func_count DESC LIMIT 30快速定位代码最密集的模块作为架构报告或重构优先级的第一步。2.8 按名称模式检索函数MATCH (f:Function) WHERE f.name STARTS WITH irq_ RETURN f.name, f.file_path LIMIT 20MATCH (f:Function) WHERE f.name CONTAINS alloc RETURN f.name, f.file_path LIMIT 30Neug Cypher 支持STARTS WITH/CONTAINS/ENDS WITH字符串谓词见 schema.md 的语法参考两条查询分别覆盖前缀约定如中断子系统irq_*和语义关键词如分配类函数*alloc*两种检索习惯。三、演化查询模式从提交看代码如何演变本节查询依赖 git 历史已被摄入--commits且部分依赖回填--backfill-limit。执行前建议先做数据可用性检查详见第五节。3.1 某个提交修改了哪些函数MATCH (c:Commit)-[:MODIFIES]-(f:Function) WHERE c.hash STARTS WITH abc123 RETURN f.name, f.file_pathMODIFIES是函数级边需回填后才存在。用哈希前缀匹配提交直接拿到该提交的函数级改动面——这是这个修复到底动了什么的标准答案。3.2 哪些提交触碰了某个文件MATCH (c:Commit)-[:TOUCHES]-(file:File {path: kernel/sched/core.c}) RETURN c.hash, c.message, c.authorTOUCHES是文件级边所有提交都有因此该查询总是可用。它是回填不完整时的降级方案见组合策略的 Incremental Investigation。3.3 协同变更函数经常一起被修改MATCH (c:Commit)-[:MODIFIES]-(f1:Function), (c)-[:MODIFIES]-(f2:Function) WHERE f1.id f2.id RETURN f1.name, f2.name, count(c) AS co_changes ORDER BY co_changes DESC LIMIT 20f1.id f2.id消除对称重复A-B 与 B-A 只保留一种。co_changes越高说明两个函数在改动上越共生——它们很可能共享某个隐式的契约或数据结构。对应 Python 封装为cs.co_change(func_name, ...)SKILL.md Evolution 一节PR 分析中历史协同变更文件是否缺失于本 PR也是基于此思想当前在pr_review中权重设为 0.0 被禁用见 pr-analysis.md。3.4 最大的提交改动函数最多的提交MATCH (c:Commit)-[:MODIFIES]-(f:Function) RETURN c.hash, c.message, count(f) AS funcs_changed ORDER BY funcs_changed DESC LIMIT 10一次性盘点历史上最大的提交通常对应大规模重构或新特性合并可作为 git log 之外的第二个审视入口。3.5 历史函数已删除/重命名MATCH (f:Function) WHERE f.is_historical 1 RETURN f.name, f.file_path LIMIT 30is_historical 1标记已删除/重命名的函数它们在图中作为历史记录保留。依赖考古Dependency Archaeology用它区分幽灵函数与现存函数。3.6 回填进度核查MATCH (c:Commit) WHERE c.version_tag bf RETURN count(c) AS backfilled在运行任何依赖MODIFIES的查询3.1、3.3、3.4之前先用此查询确认回填覆盖。与MATCH (c:Commit) RETURN count(c)对比可评估回填比例。3.7 最频繁被修改的文件MATCH (c:Commit)-[:TOUCHES]-(f:File) RETURN f.path, count(c) AS commits ORDER BY commits DESC LIMIT 20基于始终可用的TOUCHES边是稳定性的粗粒度指标改动频繁的文件通常伴随更高的回归风险适合作为测试投入的重点。四、组合策略把结构、语义与演化编织成调查方法论patterns.md 明确指出这些策略组合多种查询类型以获得更深洞察这一节是对前两节模式的战术编排。4.1 Semantic Structural语义结构互证用cs.vector_only_search(error recovery)先按语义相似度找到候选函数返回[{id, score}]再用 Cypher 检查这些函数是否共享调用者或同属一个模块。价值在于语义检索能发现命名完全不同但职责相近的代码结构查询则验证它们是否处于同一架构区域——两者交叉即可揭示隐藏的架构模式比如错误恢复逻辑散落但集中在三个模块。4.2 Hypothesis Testing假设检验对同一组函数同时计算 fan-in 计数2.1/2.6 类查询与MODIFIES计数3.1/3.4 类查询分析二者相关性以验证架构假设。典型命题被调用最多的函数是否也最稳定改动最少如果相关性弱说明高扇入函数仍在剧烈变动——这是危险的架构信号应在架构评审中重点暴露。4.3 Evolution Forensics演化取证找出跨多模块的提交逐一检查其改动函数集合通过触及模块数 × 触及函数数把提交分类为重构模块多、函数多且同质、新特性函数新增为主或缺陷修复函数少而集中。这比读 commit message 更客观可用于复盘历史决策或评估团队协作模式。4.4 Dependency Archaeology依赖考古死代码不是一蹴而就的而是调用者逐个消失的过程用MATCH (f:Function) WHERE f.is_historical 0结合 fan-in 查询找零扇入函数排除入口点如main、run——即死代码候选检查is_historical标记定位幽灵函数用MODIFIES/TOUCHES追溯是哪些提交删除了它们的调用者。三步串联即可回答这段代码何时、为何变成死代码。cs.dead_code()方法已封装第一步SKILL.md Structural Analysis 一节。4.5 Incremental Investigation增量调查先cs.summary()获取索引覆盖率概览再核查回填状态3.6。如果MODIFIES稀疏就改用TOUCHES的文件级分析3.2/3.7而不是函数级分析3.1/3.3——根据数据可用性动态降级避免在空结果上浪费时间。同样的思路也适用于 bug 根因分析先确认Commit节点是否存在再决定演化查询的深度SKILL.md Checking Data Availability 一节。五、查询纪律防误导过滤器与数据可用性核查patterns.md 与 SKILL.md 共同强调的四条纪律是所有自定义 Cypher 的安全带SKILL.md Important Filters for Cypher过滤器作用f.is_historical 0排除图中保留的已删除/重命名函数防止统计幽灵代码f.is_external 0File 节点排除系统头文件/库桩聚焦业务代码c.version_tag bf只有回填提交有MODIFIES边未回填提交仅TOUCHES总是LIMIT大型代码库可能返回数十万行必须限制结果集运行演化查询前的数据可用性检查# 已索引多少提交 list(cs.conn.execute(MATCH (c:Commit) RETURN count(c))) # 其中多少已回填有 MODIFIES 边 list(cs.conn.execute(MATCH (c:Commit) WHERE c.version_tag bf RETURN count(c)))判断规则SKILL.md无任何Commit节点 → 演化方法返回空引导用户先codegraph ingest有提交但未回填 →TOUCHES文件级查询可用MODIFIES函数级查询不可用。此外Neug Cypher 本身有两条语法边界schema.md不支持通过 Cypher 做CREATE/SET/DELETE图变更走 Python APIWITH后链式MATCH可能受限优先单MATCH多模式。六、从模式到方法论路由到正确工具patterns.md 是查询模板层但实际的决策入口是问题 → 工具路由SKILL.md How to Route Questions 一节的核心思想用户问题推荐路径谁调用了 free_irq结构 Cypher2.1与内存分配相关的函数cs.vector_only_search(memory allocation)或cs.cross_locate(...)最复杂的函数是哪个cs.hotspots(topk1)网络栈里有没有死代码cs.dead_code()后按路径过滤schedule() 最近怎么变的cs.change_attribution(schedule, kernel/sched/core.c)哪些模块耦合最紧cs.module_coupling(topk20)哪些函数总与 kmalloc 一起变cs.co_change(kmalloc)生成完整架构报告codegraph analyze或generate_report(cs)新式调查无现成方法按本文模式组合原始 Cypher路由决策的关键判断SKILL.md 原文用户要的是精确结构答案、模糊语义答案还是 bug 到代码的映射——三者分别对应 Cypher、向量检索、issue 分析管线。当问题超出预置方法时patterns.md 就是你的起点本文第二、三节的每个模式都可独立抽出按第四节策略自由拼接。七、小结与延伸阅读本文完整覆盖了 patterns.md 的全部 17 个 Cypher 查询模板与 5 种组合策略结构查询回答谁/被谁调用、模块归属、耦合与风险度量演化查询回答提交如何塑造代码组合策略把单一查询升级为可验证的架构调查方法论。四条过滤纪律与数据可用性检查则保证了结论不被历史残留或回填缺口污染。进一步深入图谱完整 schema节点/边/属性/语法边界.qwen/skills/codegraph/schema.md全量 API 与安装、索引、回填命令 .qwen/skills/codegraph/SKILL.mdBug 根因分析工作流结构 语义 issue 提取的组合实战.qwen/skills/codegraph/bug-analysis.mdPR 影响与冲突分析CHANGES边、CALLS链、风险打分权重.qwen/skills/codegraph/pr-analysis.md技能评估用例验证 bug 定位类查询的预期行为.qwen/skills/codegraph/evals/evals.json【免费下载链接】qwen-codeAn open-source AI coding agent that lives in your terminal.项目地址: https://gitcode.com/GitHub_Trending/qw/qwen-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考