Ένα AI είναι εξαιρετικό για προσανατολισμό σε άγνωστο κώδικα — αλλά μόνο αν το κρατάς γειωμένο στα πραγματικά αρχεία παρά αν το αφήσεις να περιγράψει μια γενική έκδοση αυτού που το σύστημα πιθανώς κάνει. Δείξε του τα πραγματικά paths και ζήτησέ του να διαβάσει πριν εξηγήσει.
src/billing/", όχι ολόκληρο το repo ταυτόχρονα.❌ UNGROUNDED: "How does authentication usually work in a Node app?"
→ generic textbook answer; may not match THIS codebase at all
✅ GROUNDED: "Read src/auth/login.js and src/middleware/session.js.
Trace what happens when POST /login is called, step by step,
citing the functions involved."
→ the AI must read the actual files → its explanation maps to YOUR system
Η γειωμένη έκδοση αναγκάζει το AI να βασίσει την απάντησή του στον κώδικά σου, ώστε να μπορέσεις να επαληθεύσεις κάθε βήμα ενάντια στα πραγματικά αρχεία αντί να εμπιστευθείς μια πιθανή γενική αρχή.
Η κληρονόμηση ενός μεγάλου codebase είναι κυρίως ένα πρόβλημα ανάγνωσης και χαρτογραφήσεως, και αυτό είναι ακριβώς το σημείο όπου ένα AI σε επιταχύνει — μπορεί να συνοψίσει μια ενότητα, να ιχνηλατήσει μια ροή ή να εξηγήσει μια μυστηριώδη συνάρτηση σε δευτερόλεπτα, μετατρέποντας ημέρες ψυχρής ανάγνωσης σε καθοδηγούμενη εξερεύνηση. Ο κίνδυνος είναι ότι ένα από-γειωμένο prompt σου δίνει μια σίγουρη, γενική απάντηση που δεν ταιριάζει στον πραγματικό κώδικα. Αγκύρωση κάθε ερώτησης στα πραγματικά file paths και επαλήθευση της ιχνηλάτησής του ενάντια σε αυτά τα αρχεία κρατά την ταχύτητα του AI χωρίς να κληρονομήσεις τις παραφροσύνες του — κτίζεις ένα ακριβές νοητικό μοντέλο πιο γρήγορα, και μπορείς να το εμπιστευθείς επειδή το έλεγξες ενάντια στην πηγή.