代码瘦身指南：如何低成本搞定 15 万行“屎山”重构

AI 生成的 15 万行代码让人头疼，需要进行外科手术式的梳理。

最近看到一位搞科研的朋友吐槽，他用 AI 辅助开发了一套 CUDA 求解器，结果原本 3 万行能搞定的事，AI 一口气给他写了 15 万行！虽然程序能跑、速度也没问题，但这 15 万行代码简直就是一座没人敢动的“屎山”。

这位朋友的痛点很明确：核心诉求不是重写，而是“瘦身”。 他想把现有的这堆代码梳理成一个最小化的、干净的、带注释的版本，方便自己后续维护和吃饭。预算大概一个月 1000 块，但苦于不知道现在的 GPT-4 降智严重，其他的模型又没信心，更怕 Context Window（上下文窗口）不够大，把 Token 烧光了也没理顺。

这其实也是很多非科班出身的开发者遇到的问题：AI 确实能写代码，但它更擅长“做加法”，不太擅长“做减法”。 今天咱们就来聊聊，如果手里有一坨超大的代码库，怎么用最少的钱、最稳的模型把它理清楚。

一、 为什么你的代码会变成“胖大海”？

首先，得给这位朋友宽宽心。Codex 或者早期的 GPT-4 在生成 CUDA 这种底层代码时，为了确保逻辑的完整性，往往会采用非常保守的策略——即把所有潜在的依赖、辅助函数、甚至是重复的算子全部显式地写出来，而不是像人类程序员那样去封装或复用。

CUDA 代码往往包含大量底层逻辑，AI 倾向于显式写出所有细节。

这就导致了**“ inflation”（膨胀）**：

1. 冗余封装：为了调用一个简单的函数，它可能把整个辅助类都重新定义了一遍。
2. 防御性编程：AI 会写大量人类不需要的 Check 代码，生怕算错。
3. 上下文遗忘：在长对话中，AI 忘了前面已经写过的函数，又重写了一个类似的。

面对这种情况，直接让 AI“重写”是个坑，因为模型很难理解 15 万行的全局逻辑。我们需要的是“外科手术”式的梳理。

二、 千元预算下的“大船”模型选择

预算 1000 元其实非常充裕，但前提是别去盯着 GPT-4o 的高价 API 烧钱。针对这种需要处理海量长文本的任务，我们需要关注两个核心指标：

DeepSeek 等国产大模型在处理长文本和代码推理上表现出色。

1. Context Window（上下文窗口）：必须得大，最好在 128k 甚至 200k 以上，这样才能一次性塞进大段的源代码。
2. Token 价格（性价比）：必须得低，因为 15 万行代码吃起 Token 来是按“斤”算的。

推荐方案：国产大模型与 DeepSeek

既然现在的 GPT-4 有“降智”风险，且价格不菲，不如把目光投向目前卷得飞起的国产模型。

建立代码索引，理清核心文件与依赖关系。

• DeepSeek-V2 / V3（深度求索）：这绝对是目前的“价格屠夫”。它的 API 价格极其低廉，而且上下文支持非常长，最重要的是它在代码推理方面表现相当不错，尤其是在处理复杂逻辑和数学推导上（毕竟是搞出来的 MoE 架构）。用它来读代码、写注释，性价比无敌。1000 块钱甚至能让你把 15 万行代码从头到尾撸好几遍。
• Kimi / Claude 3（Haiku/Sonnet）：如果需要超长上下文（比如一次性贴进去 50 万字），Kimi 的长文本能力是业界标杆。Claude 的 Haiku 模型也是代码重构的神器，速度快、读得懂，虽然最近访问有点受限，但在其 API 能用的渠道下，配合良好的 Prompt，效果极佳。

避坑指南：不要使用 32k 以下上下文窗口的小模型来处理这种任务，否则你会陷入“剪一段、贴一段”的无限循环中，碎片化会导致 AI 丢失大量上下文信息，最后重构出来的代码全是 Bug。

分步走的代码重构策略：理结构、抽核心、加注释。

三、 实战操作：如何把 15 万行“吃”进去？

直接把 15 万行代码扔给 AI 肯定是不行的，不仅会撑爆 Context，还会让 AI“晕头转向”。我们需要一套**“分而治之 + 逐步求精”**的策略。这里给出一套具体的操作流程：

第一步：建立代码索引（地图绘制）

先不要让 AI 改代码。先让它做阅读理解。

Prompt 参考：

“我是一个 CUDA C++ 项目，包含多个源文件。请帮我分析整个项目结构，列出核心文件列表、每个文件的主要功能、以及它们之间的调用关系（Call Graph）。不要修改代码，只输出架构分析报告。”

目的：让 AI 告诉你，这 15 万行代码里，哪些是核心逻辑（Kernel 函数、核心求解器），哪些是垃圾（重复的工具函数、废弃的尝试）。这一步不需要太贵的模型，速度快即可。

第二步：核心逻辑抽取（去芜存菁）

根据第一步生成的“地图”，手动挑出那 20% 的核心文件（即真正跑逻辑的那 3 万行）。把核心文件一次性（或者分模块）喂给具有长上下文能力的模型（如 DeepSeek 或 Claude）。

Prompt 参考：

“这是我的核心求解器代码。目前的代码中有大量冗余。请基于你的理解，提取出实现该功能所需的最小代码集。要求：1. 删除未使用的变量和死代码；2. 合并重复的逻辑；3. 保持数学逻辑不变。”

第三步：标准化与注释（人工味儿注入）

把瘦身后的代码发给 AI，专门进行“注释化”和“风格统一”。

Prompt 参考：

“请阅读这段代码，为每一处关键的数学推导、CUDA Kernel 逻辑添加详细的中文注释。注释要解释‘为什么要这样做’而不是‘做了什么’。同时，将变量名规范化，使其更符合人类阅读习惯。”

四、 别忘了本地工具

除了云端大模型，别忘了静态代码分析工具也是帮手。虽然 AI 很强，但在处理纯机械的“死代码消除”（Dead Code Elimination）时，有时不如编译器来得准。

• 使用 clang-tidy 或者 CUDA 的 nvcc 编译警告，先把编译器就能发现的“未引用函数”清理一遍。
• 这能帮你省下一大笔给 AI 输入无用代码的 Token 钱。

总结

遇到 AI 生成的“屎山”代码别慌。

1. 换模型：放弃昂贵且可能降智的 GPT-4，拥抱 DeepSeek 等量大管饱的国产模型，1000 块预算绰绰有余。
2. 分步走：先理结构，再抽核心，最后加注释。别妄想一键重构。
3. 重注释：代码不仅仅是给机器跑的，更是给自己看的。把 AI 当作你的“高级文档撰写员”，而不是单纯的“代码生成器”。

希望这套思路能帮那位科研朋友把代码理顺，毕竟，整洁的代码才是科研产出的基石啊！