Głęboka analiza repozytorium
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 r. na podstawie podręcznika Codex: „Głębokie badanie dla GitHub“ (Deep Research for GitHub) nie jest funkcją Codex. Analiza repozytorium jest przeprowadzana przez Codex w trybie tylko do odczytu, podczas gdy głębokie badanie (deep research) to funkcja ChatGPT Work, której dostępność zależy od Twojego konta i obszaru roboczego. Usunięto niesprawdzoną tabelę porównawczą czasów trwania z poprzedniej wersji. Źródła: Codex CLI · Tryb nieinteraktywny.
Głęboka analiza repozytorium
Zanim zaczniesz modyfikować kod, często musisz go najpierw zrozumieć: architekturę projektu legacy, jego zależności i dług techniczny. Dwa narzędzia idealnie nadają się do tego zadania. Codex analizuje repozytorium od środka – odczytuje pliki, bada historię Gita i uruchamia polecenia diagnostyczne – nie wprowadzając żadnych zmian. Funkcja głębokiego badania (deep research) w ChatGPT Work przeprowadza dochodzenie w wielu źródłach i dostarcza raport z przypisami; jest to właściwe narzędzie do pytań wykraczających poza repozytorium, takich jak ocena zewnętrznej biblioteki.
Analiza bez wprowadzania zmian
Standardowe zadanie Codex wykonuje akcję: pisze kod, naprawia błąd lub generuje testy. W celu analizy poproś Codex o syntezę bez wprowadzania jakichkolwiek zmian i zapewnij mu środki do przestrzegania tego ograniczenia. Ustaw sesję w trybie tylko do odczytu (/permissions, tryb read-only) lub uruchom analizę za pomocą codex exec, który domyślnie działa w piaskownicy tylko do odczytu. Może on przeskanować setki plików, zbadać historię Gita i sporządzić szczegółowy raport. Różnica ta natychmiast znajduje odzwierciedlenie w Twoim prompcie, który powinien skupiać się na zrozumieniu, a nie na modyfikacji:
"Analyze the architecture of this project without modifying any files.
How does data flow from the API to the database? What patterns are
used? Where are the fragility points?"
Wynikiem nie jest commit, lecz ustrukturyzowany dokument zawierający odniesienia do odpowiednich plików i rekomendacje. Przeglądasz go, omawiasz na spotkaniu technicznym i korygujesz tam, gdzie zawiera błędy.
Przyspieszenie onboardingu technicznego
Gdy do zespołu dołącza nowy programista, zazwyczaj spędza pierwsze dwa tygodnie na mentalnej rekonstrukcji mapy, której nikt nigdy nie spisał: która usługa wywołuje którą, dlaczego moduł ma nazwę niepasującą już do jego zawartości lub gdzie ukryta jest logika rozliczeniowa. Codex może narysować tę mapę za niego:
"Analyze this repository and generate an onboarding guide
for a new developer. Cover:
- General architecture and layers
- Naming and structure conventions
- End-to-end flow of a typical request
- The most important files to read first
- Common pitfalls and project-specific quirks"
Powstały dokument służy jako punkt odniesienia przez pierwsze kilka tygodni i jest korygowany w miarę uzyskiwania informacji zwrotnych od zespołu. Ćwiczenie to ma nieoczekiwaną korzyść: ujawnia ślepe plamy, których nikt nie zadał sobie trudu udokumentować, ponieważ „wszyscy wiedzą, jak to działa“.
Audyt zależności i długu technicznego
Drugim naturalnym przypadkiem użycia jest inwentaryzacja. Trzyletnia baza kodu gromadzi porzucone biblioteki, funkcjonalne duplikaty i martwe importy, których nikt nie odważa się usunąć z powodu braku ogólnego przeglądu:
"Analyze all project dependencies (package.json
and lock file). Identify:
- Obsolete packages (last update > 1 year ago)
- Known vulnerabilities
- Duplicate packages (same functionality)
- Unused packages (imported nowhere)
- Packages with incompatible licenses"
Analiza ta krzyżuje dane z package.json, pliku blokady (lock file) oraz importów faktycznie obecnych w kodzie. W przypadku znanych luk w zabezpieczeniach i statusu utrzymania pakietów potrzebne są dane publiczne, dlatego musisz wyraźnie zezwolić na dostęp do sieci lub użyć narzędzi audytowych menedżera pakietów (takich jak npm audit). Ocena długu technicznego przebiega według tej samej logiki, z jednym dodatkowym wymogiem – ostatnim wierszem promptu. Bez kryteriów sortowania otrzymasz listę czterdziestu problemów bez pomysłu, od czego zacząć.
"Evaluate the technical debt of this project. Analyze:
- Cyclomatic complexity of core modules
- Most frequently modified files (Git hotspots)
- Code duplication patterns
- Unresolved TODOs and FIXMEs
- Test coverage by module
Rank problems by impact and effort to fix."
Wartość tych analiz tkwi w stosunku zainwestowanego czasu do uzyskanych rezultatów: kilka precyzyjnych instrukcji zastępuje dni czytania. Zweryfikuj to na własnych projektach, zamiast polegać na ogólnych szacunkach, i zawsze przeglądaj raport: agent może się mylić, zwłaszcza co do tego, czego repozytorium nie zawiera.
Ocena projektu zewnętrznego przed adopcją
W przypadku biblioteki open-source, którą rozważasz do adopcji, pytanie wykracza poza samo repozytorium: częstotliwość wydań, aktywność zgłoszeń i reputacja. To domena funkcji głębokiego badania (deep research) w ChatGPT Work. W aplikacji desktopowej przełącz się na Work, otwórz Plugins i wybierz Deep research; w wersji internetowej otwórz menu + w konwersacji Work. Dostępność zależy od Twojego konta i obszaru roboczego:
"Analyze the repository github.com/org/library.
Evaluate its maturity:
- Release frequency and maintenance
- Documentation quality
- Community activity (issues, PRs)
- Test coverage
- Recommendation: Is it safe to adopt in production?"
Jest to krok weryfikacyjny, który prawie zawsze pomijamy, ponieważ nie możemy poświęcić na niego pół dnia, jednak jego brak kosztuje nas dwa lata później: biblioteka nie jest już utrzymywana, jej jedyny opiekun zniknął, a Ty zostajesz z zależnością, którą musisz w pośpiechu przepisać.
Uzyskiwanie raportów gotowych do działania
Jakość raportu zależy bezpośrednio od precyzji promptu. Pytanie „Gdzie są punkty newralgiczne?“ przynosi znacznie bardziej użyteczny rezultat niż „Przeanalizuj projekt“, ponieważ pierwsze sformułowanie narzuca kąt widzenia i wymusza hierarchię. Poproś również o explicitny format – „uszereguj według priorytetu“, „zorganizuj według modułu“ – aby otrzymać dokument, który można szybko przeskanować, a nie czytać od deski do deski. Następnie realizuj konkretne zadania w Codex, które naprawiają zidentyfikowane problemy. W tym momencie analiza przestaje być kolejnym raportem, a staje się punktem wyjścia do planu pracy. Na koniec udostępnij te raporty swojemu zespołowi, ponieważ ich wartość rośnie wraz z liczbą osób, które odwołują się do nich na co dzień.
Kluczowe wnioski
- Aby przeanalizować repozytorium, uruchom Codex w trybie tylko do odczytu (
/permissionslubcodex exec, który domyślnie jest tylko do odczytu) - Idealne rozwiązanie do onboardingu, audytów i oceny długu technicznego
- Funkcja głębokiego badania (deep research) w ChatGPT Work nadaje się do pytań obejmujących wiele źródeł, takich jak ocena zewnętrznej biblioteki
- Wyniki służą jako wsad do konkretnych zadań w Codex mających na celu naprawę zidentyfikowanych problemów
- Przeglądaj każdy raport: agent może się mylić, zwłaszcza w kwestii brakującej zawartości