我把一个5年老项目喂给AI,它找到了6个我没发现的定时炸弹

前几个月帮2个工程师部署了MCU 项目知识库构建与证据AI问答系统，整理一个老项目。

前阵子来找我反馈，挺好用的。

比如说他通过这个系统去改老项目代码啥的，很多细节AI都替他考虑到了。

我干了10几年单片机开发，很多痛点你可能经历过，但自己都无法描述是啥，哈哈，而我现在在干的是，就是一步步用AI去解决这些痛点，而不是把AI做为Chatbot的阶段。

比如项目跑了3,4年，代码前后有三四个人改过，注释风格不统一，大多数代码连注释都没有，这种项目没人指导自己闷头研究，不得搞个1-2个月才能上手。。。

这种传统方式，基本无解，如果没人带，接手新项目，真的头皮发麻，原来这么麻烦的事，其实现在AI几分钟搞定。

这个系统也没这么玄乎，其实就是两个skill，玩过claude code或者其他AI Agent应该懂，我也上传到github了：**https://github.com/ogai666/Public

上不了Github的，也可以加我微信，我发你：ogai02

上传前我考虑了很久要不要开源，毕竟这是我目前的新业务，正在跑mvp测试。。。

哪怕是用AI帮我去设计的，都花了半个多月，起码消耗了上亿的token，打磨了起码20个版本以上，最终才调到稍微满意的结果。

这里不得不提一句，现在市面上很多在卖agent的，几千几万十几万都有。

实际上，他们卖了一个看起来很通用、很细、很智能的产品，但是其实对于实际的业务产生不了太多帮助。真正好用的agent是从内部生长出来的，agent里面最核心不是代码和脚本，而设计者对行业的的理解深度。

拿我设计的这个举例。

很多人觉得，做知识库，或者项目代码解答，直接把代码丢给AI就好了，整这么麻烦干嘛？

其实深入用过就知道了，特别是几十个代码文件，一万甚至以上行代码的，虽然可以哐哐一顿给你输出，看起来很专业，很详细，但是很多细节都是错的，比如时钟，时基，细节参数，一些弯绕的问题。。。

这样除了会撑爆上下文以外，AI每次都是从头开始分析代码的，这非常考验AI的能力，像顶级的模型可能可以，但毕竟每次从头看代码，有可能某次就出错了。

嵌入式项目错综复杂，比如不同的项目工具链可能不同，Keil，IAR，Makefile，Eclipse等等。

还有支持多Target/多芯片/多硬件版本的，我到现在都没有打磨出一个可以完美适应100%项目的版本出来，开源这个目前是Keil和IAR项目可以，但是Makefile，多target之类的就会有问题。

我又花了两天时间，升级迭代了一个兼容Makefile，多target的版本。

以VESC这个很经典的FOC开源项目来举例，下面是VESC的源码工程：

我先用脚本提取源码信息：

提取完以后会输出如下文件：

然后我用Codex调用skill去整理，这里用claude code,openclaw等AI Agent都可以，为啥我要设计成skill？因为很通用很灵活。

整理完以后多了几个文件：

下一步，可以用Claude code调用我这个skill，把这个路径投喂进去：

然后就可以开始这个项目任何问题了：

比如说我问：75_100的 HW_NAME、电压范围、电机相电流范围、电池电流范围分别是多少？证据来自哪个 hw.h 或 hw_.c？

下面是AI根据知识库给我的回答：

因为我也没深入研究过VESC这个项目的源码，我就想验证下AI输出的对不对。

我就把回答直接复制给codex，让它帮我验证，因为知识库是由它生成的，它比我清楚：

它给我的回答是：内容正确，证据链合格（也就是每个都能追溯到源码位置，精确到行号）

然后我又问了一个，多款硬件兼容一个工程比较容易答错的问题：

请回答 75_100 是否使用 SD6 作为 UART？

AI的回答75_100 不使用 SD6 ，使用的是SD3。。。

其实我也不知道这个结果对不对，然后同样的配方，直接发给codex。

codex给我的验货判定是：通过！

然后用AI来帮我提取代码所有硬件接口定义也非常舒服。

最后一个问题是：这个项目有哪些潜在的坑？

熟悉的可以在评论区聊聊它回答得对不对。

我熟悉的项目验证过，确实能把一些很细节的坑给我找出来，细节到数组下标索引搞错了就能找到。

对于这种知识库问答，我觉得最重要的就是准确率，我实际测试了7,8个项目，没有给出过完全错误的答案，所以暂定准确率能达到90%以上。

之前我也测试过12年前做的项目，全部功能main函数干到底，真正屎山代码的代表了。

剩下10%是保守预估，如果回答不到位，可以让AI自动把对的答案更新到知识库，这么逐渐提升准确率。

另外，知识库AI问答其实应用场景很多，能解决很多嵌入式团队传统工作流的痛点，后面再慢慢分享。