AI Agent 在几万行的小项目里如鱼得水
说个实操里的痛点。我拿 Claude Code 跑过中等规模的 monorepo，第一次加载时它会把文件列表全扫一遍，再按需读。仓库一超十万文件，光是 refactor 一个函数，它就要反复查 grep 和 git log，token 烧得快，响应还慢。问题的根源不是模型不够聪明，而是喂给它的“上下文”没有结构。Git 仓库里其实藏着一张完整的知识图谱：谁改过哪个文件、每次提交动了什么、模块之间的依赖关系——可惜大部分 Agent 都没用好。
所以 OpenAI 把目光放在 Git for large repositories 上，我觉得方向是对的。目标应该不是替代 Git，而是建一层预索引：把仓库的历史、目录结构、符号引用全部向量化或图结构化，Agent 问问题的时候按需拉取，而不是每次从头啃代码。这跟粗暴加大上下文窗口是两条路线。插件链上的一堆工具已经证明了这条路走得通，但 OpenAI 有训练数据和推理引擎的优势，如果他们真做，那就是从系统层面直接压低 Agent 处理大仓库的成本。
当然，质疑点也有很多。Git 模型本身是分布式的，每个 clone 都是完整历史，你没法像中心化索引那样简单处理。还有二进制文件、submodule、大文件。别把“大仓库”想成线性的大，它是一张纵横交错的关系网。
我不确定 OpenAI 会做成独立工具还是塞进 Codex，但至少在 Claude Code 和 Copilot 都没能完美解决的场景里，终于有人从仓库根上入手了。比继续堆 200K 上下文窗口更值得跟。
