用 AI 辅助梳理混乱的旧系统架构：基于代码仓生成业务调用拓扑图

前言：当旧系统成为最大的技术债

你是否面对过这样的场景？

一个运行了七八年的核心系统，最初的设计文档早以丢失。历经十几任开发人员的维护，代码仓库膨胀到了数十万行。模块之间的调用关系错综复杂，原本清晰的微服务边界早已变得模糊不清。当新需求提出时，没有人能准确回答“改了这个接口，会影响哪些下游服务”，甚至连“这个模块到底被哪些业务场景调用”都无法确认。

这不是个别现象。根据2026年初的行业调研，超过60%的企业技术团队仍在维护超过5年以上的遗留系统，而这些系统中超过40%缺乏有效的架构文档。传统处理方式是安排资深工程师花费数周甚至数月阅读代码、手动梳理调用关系、绘制架构图——耗费大量人力且非常容易遗漏。

但2026年的今天，情况正在改变。借助大语言模型（LLM）和代码知识图谱（Knowledge Graph）技术的结合，我们已经可以在小时内自动生成业务调用拓扑图，让混乱的旧系统架构一目了然。本文将深入拆解这条技术路径的完整实现方案。

一、核心痛点：AI编程助手的“盲人摸象”困境

先厘清一个关键问题：为什么当前的AI编程助手不能直接胜任这个任务？

无论是Claude Code、Cursor还是Codex，它们理解代码的方式本质上是“搜索-读取-拼接”模式：用户提问 → AI用Glob搜索文件 → 用Grep搜索关键词 → 拼凑上下文回答。正如开源项目Graphify的官方文档所分析的，这种方式存在系统性缺陷：关键词匹配丢失语义、无法跨文件追踪调用链、文档和代码是割裂的。这就像让一个外科医生只看CT片的一小