代码库问答的四个难点与四项对策

把 RAG 用在代码上有特有难点。本文给出四个难点（切分单位/跨文件引用/版本分支/分布差异）、四项按性价比排序的对策、必须注意的安全问题与该观测的四个指标。

代码库问答比文档问答难在哪

把 RAG 用在代码上（"这个函数在哪被调用""这个配置项什么意思" ✔）会遇到四个特有难点 ✔：

**① 切分单位不对** ✗

按行或固定字数切，会把函数切断 ✔ → 应**按语法单元切**（函数/类/配置块 ✔）。

做不到语法解析时，至少按**空行 + 缩进**启发式切 ✔。

**② 跨文件引用** ✗

"这个函数在哪调用"需要**跨文件**信息 ✔，而向量检索只看语义相似 ✔

→ 需要**结构索引**（导入关系、调用关系 ✔）辅助 ✔。

**③ 版本与分支** ✗

同一份文件有多个版本与分支 ✔ → 必须带 `repo + branch + commit` ✔

（见文档版本那篇 ✔ —— 代码更严格 ✔）。

**④ 代码与自然语言不同分布** ✗

问句是自然语言 ✔，代码是符号密集的文本 ✔ → 纯向量检索常常不准 ✔

→ **关键词/符号检索 + 向量**混合更有效 ✔（见混合检索那篇 ✔）。

```

① 切分按语法单元（收益最大，见切分那篇）

② 记录 repo/branch/commit 并在检索时过滤（安全性要求）

③ 混合检索（符号精确匹配 + 语义）

④ 结构索引（调用关系、导入关系）—— 成本最高，按需做

```

**要点**：**先做 ① 与 ②** ✗→✔ —— 它们成本低、收益大 ✔；

③④ 属于进阶 ✔。

**权限过滤**（不是所有代码所有人都能看 ✔ —— 见可筛选检索 ✔）；

**不要外发私有代码**（合规 ✔ —— 见数据脱敏 ✔）；

**日志别记代码原文**（记 hash 与路径 ✔ —— 见日志那篇 ✔）。

**函数级召回率**（抽 20 个"某函数在哪定义"的问题 ✔）；

**引用类问题准确率**（"在哪被调用" ✔ —— 这类最依赖结构信息 ✔）；

**跨文件问题的失败率** ✔（高说明需要结构索引 ✔）；

**权限拒绝的正确率**（越权检索应为 0 ✔）。

> 问"这个函数在哪被调用" ✔，答案是否**完整且可核对**（给出文件与行号 ✔）？

> 只能给"可能在某个文件里"，说明还是纯向量检索 ✗。