nexus-query — 代码结构精准查询 "改之前先算清楚——数字比猜测更有力。" 本 Skill 将 extract_ast.py 、 git_detective.py 、 query_graph.py 三个脚本 封装成一个 开发辅助工具 ：按需生成数据、精确回答问题。 📌 和 nexus-mapper 的区别 维度 nexus-mapper nexus-query 目的 为 AI 建立项目持久记忆（ .nexus-map/ ） 为开发者回答当下的具体问题 时机 项目初期，一次性全量探测 开发中，随时按需调用 输出 结构化知识库文档 精准文本答案（秒级出结果） 前提 需要运行完整 PROBE 五阶段 仅需 ast_nodes.json 存在即可 nexus-query 是 nexus-mapper 的轻量伴侣 ：如果 .nexus-map/ 已存在，直接复用； 如果不存在，先运行 extract_ast.py 生成 ast_nodes.json，再开始查询。 📌 何时调用 场景 调用 「这个文件有哪些类/方法，依赖什么」 ✅ 「改这个接口/模块，哪些文件受影响」 ✅ 「这个改动的影响半径是多大」 ✅ 「项目里谁是真正的核心依赖节点」 ✅ 「整个项目大概分哪几块」 ✅ 用户希望生成完整的 .nexus-map/ 知识库 ❌ → 改用 nexus-mapper 运行环境无 shell 执行能力 ❌ 宿主机无本地 Python 3.10+ ❌ ⚙️ 前提：确保 ast_nodes.json 可用 进入查询前 → 检查是否有 ast_nodes.json ├── 有（.nexus-map/raw/ast_nodes.json 或用户指定路径）→ 直接查询 └── 没有 → 运行 extract_ast.py 生成 → 再查询

默认路径（和 nexus-mapper 的 .nexus-map/ 兼容，可互通）

AST_JSON

" $repo_path /.nexus-map/raw/ast_nodes.json" GIT_JSON = " $repo_path /.nexus-map/raw/git_stats.json"

可选

若 ast_nodes.json 不存在，先创建目录再生成（约数秒）

mkdir -p " $repo_path /.nexus-map/raw" python $SKILL_DIR /scripts/extract_ast.py $repo_path

$AST_JSON

若需要 git 风险数据（可选，仅在存在 .git 时）

python $SKILL_DIR /scripts/git_detective.py $repo_path --days 90 \

$GIT_JSON $SKILL_DIR 为本 Skill 的安装路径（ .agent/skills/nexus-query 或独立 repo 路径）。 依赖安装（首次使用） ： pip install -r $SKILL_DIR /scripts/requirements.txt 🔍 五个查询模式

查看某个文件的类/函数结构及 import 清单

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --file < path

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --file < path

--git-stats $GIT_JSON

反向依赖查询：谁 import 了这个模块

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --who-imports < module_or_path

影响半径：上游依赖 + 下游被依赖者（推荐叠加 git-stats）

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --impact < path

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --impact < path

--git-stats $GIT_JSON

高扇入/扇出核心节点识别

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --hub-analysis [ --top N ]

按顶层目录聚合的结构摘要

python $SKILL_DIR /scripts/query_graph.py $AST_JSON --summary --file <路径> — 文件骨架解剖 输出 ：类、方法、行号范围、所有 import（内部 import 解析成真实路径）。加 --git-stats 追加变更热度和耦合文件。 深层价值 ：AI 不读源码也能掌握文件结构，精确到行号；针对大型遗留代码库尤其有效——一个 3000 行的 legacy 模块可能有数十个类，逐行阅读效率极低， --file 秒出骨架，按行号精准跳转。 适用场景 ： 接手超大遗留模块（"屎山"代码），建立结构地图再动手 连续重构任务中，确认当前目标文件的完整方法签名，避免改了一处遗漏其他重载 Bug 调查：快速确认候选类/函数的行号范围，缩小 view_file 的读取区间 Code Review：确认一个 PR 涉及到的方法是否在预期边界内 --who-imports <路径或模块名> — 反向依赖追踪 输出 ：所有引用了该模块的文件（区分源码文件和测试文件）。 深层价值 ：改接口之前唯一必须跑的命令。任何修改公共函数签名、删除方法、重命名类的操作如果跳过这步，都是在赌不会炸。 适用场景 ： 删函数/改签名/迁移模块前，确认「炸弹清单」——列出所有需要同步修改的调用方 连续开发任务中，修改了 step 1 的接口后，确认后续 step 2~N 哪些受影响，规划工作顺序 决定测试策略：知道谁依赖了目标模块，才能做精准回归测试而不是全量跑 评估「是否值得重构这个老接口」：依赖方越多，重构成本越高；0 个依赖方 = 可以随意重构 --impact <路径> [--git-stats] — 影响半径量化 输出 ：上游依赖（这个文件引用了谁）+ 下游被依赖（谁引用了这个文件），最终给出 X upstream, Y downstream 数字。加 --git-stats 追加 git 风险等级和耦合对。 深层价值 ：最有实战价值的单一命令。 0 upstream, 24 downstream 一眼告诉你这是基础层，改动影响最广； upstream 数字高往往意味着它依赖很多东西，自己也容易被连锁影响。与 git-stats 叠加后： high-risk + high downstream = 当前最危险的改动点 。 适用场景 ： 衡量一个功能修改的风险与实际工作量，在 Sprint 估时/技术债偿还决策时有直接参考价值 评估「当前这个改动是局部手术还是全局手术」——downstream 数字决定了测试范围 架构评审时，对「候选重构模块」做影响量化：改哪个代价最小？ 遗留系统拆分规划：downstream 很高的模块先不动，从边缘模块开始清理 --hub-analysis [--top N] — 架构核心节点识别 输出 ：按扇入（被多少模块引用）和扇出（引用了多少模块）排序的全仓库模块列表，直接揭示真实核心节点。 深层价值 ：目录名 ≠ 重要性。命名为 core/ 的不一定是实际核心；真正的高耦合节点往往藏在不起眼的工具类、数据模型或配置模块里。扇入高 = 很多人依赖它，扇出高 = 它依赖很多人，两者都高 = 「蛛网中心」，改动最危险。 适用场景 ： 架构评审：找出「明星模块」——被所有人依赖却从不在路线图里出现的那个 技术债优先级排序：扇入高 + git-stats risk high = 最值得重构的目标（风险高、影响大） 遗留代码清理入口：扇出极高但扇入很低的模块，是可以安全替换或拆分的「孤立节点」 新同学接手项目：先看扇入 Top 5，这几个模块搞懂了，项目的一半架构就清楚了 --summary — 全局目录聚合 输出 ：按顶层目录分区统计模块数/类数/函数数/行数，附带各区域的 import 关系。 深层价值 ：用一条命令建立系统分层意识。哪个目录是「业务逻辑层」、哪个是「基础设施层」、哪个是「测试层」，从 import 关系图里直接读出来比读任何文档都客观。 适用场景 ： 项目初次接触（5 秒摸清全局）：比读 README 更客观，比手动 ls 更结构化 识别循环依赖风险区域：两个顶层目录互相 import 是架构坏味道， --summary 立刻暴露 项目交接给新成员：一张聚合表替代冗长的架构介绍文档 评估测试覆盖均衡性：tests 目录的函数数 vs src 目录的函数数，比例是否合理 场景速查 你此刻的问题 用哪个 这个文件有哪些类/方法，各在哪几行 --file 改这个接口/删这个函数，哪些文件跟着改 --who-imports 这个改动最终会影响多少模块 --impact 这个改动风险有多高（加 git 热度） --impact --git-stats 项目里谁是真正的高耦合中心 --hub-analysis 整个项目的模块分布和层级关系 --summary 连续重构任务，改完一处要看影响链 --who-imports → --impact 估算技术债改造的工作量 --hub-analysis → --impact 🧠 执行守则 守则1: 先读引用再查询 在使用 --impact 或 --who-imports 分析某个模块前，建议先用 --file 读取其骨架， 理解它的职责和现有 import，避免对查询结果产生误判。 守则2: git-stats 是加分项，不是硬阻塞 没有 .git 或 git 历史不足时，跳过 git_detective.py ，只用 AST 数据查询。 不要因为缺少 git 数据而停止查询，降级继续。 守则3: 路径匹配灵活但要验证 query_graph.py 支持路径片段匹配（如 vision.py 可匹配 src/core/vision.py ）。 当结果返回 [NOT FOUND] 时，先用 --summary 确认仓库中存在的模块路径格式，再重新查询。 守则4: 结果直接呈现，不过度解读 --impact 返回的 X upstream, Y downstream 是客观数字，直接告知用户。 不要用「可能影响较大」这类模糊词替代数字——让数字说话。 ✅ 输出质量自检 查询前确认 ast_nodes.json 路径正确，文件非空 若 [NOT FOUND] ：已用 --summary 核实路径格式，重新查询 --impact 结果：已明确给出 upstream/downstream 的具体数字 --who-imports 结果：按源码文件 / 测试文件分类展示，更直观 若叠加 --git-stats ：已说明 git 风险等级的含义（high=90天内改动多）