AI sprawdza się doskonale do orientacji w nieznanym kodzie — ale tylko jeśli będziesz go ugruntowywać w rzeczywistych plikach, zamiast pozwolić mu opisywać ogólną wersję tego, co system prawdopodobnie robi. Wskaż mu rzeczywiste ścieżki i poproś, aby przeczytał kod, zanim go wyjaśni.
src/billing/", nie cały repo na raz.❌ 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
Ugruntowana wersja zmusza AI do bazowania odpowiedzi na twoim kodzie, dzięki czemu możesz zweryfikować każdy krok względem rzeczywistych plików zamiast ufać wiarygodnej ogólności.
Dziedziczyć dużą bazę kodu to głównie problem czytania i mapowania, i właśnie tam AI cię przyspiesza — może podsumować moduł, prześledzić przepływ lub wyjaśnić tajemniczą funkcję w sekundy, zamieniając dni zimnego czytania w kierowaną eksplorację. Ryzyko polega na tym, że ugruntowana na próżni podpowiedź daje ci pewną, ogólną odpowiedź, która nie pasuje do rzeczywistego kodu. Zakotwiczenie każdego pytania w rzeczywistych ścieżkach plików i zweryfikowanie jego śledzenia względem tych plików zachowuje szybkość AI bez dziedziczenia jej halucynacji — budujesz dokładny model mentalny szybciej i możesz mu zaufać, ponieważ sprawdziłeś go względem źródła.