我如何打包我的代码库，以便 ChatGPT 能真正理解它

Source: Dev.to

Problem

LLM 聊天应用在回答问题时表现出色——直到你把它们指向真实的代码库。
当项目规模超过一定程度时，上下文就成了瓶颈：文件太多、噪声太多、结构不足。

典型的 LLM 聊天应用在以下情况下效果最佳：

• 上下文是线性的
• 文件按意义而非大小分组
• 引用精确（文件 + 行号）

然而真实的代码库是：

• 层级结构的
• 噪声多的
• 充斥着模型不需要的内容

结果往往是模糊或幻觉式的答案。

Solution: srcpack

与其一次性喂入整个仓库，不如生成一个针对 LLM 优化的快照：

• 代码按领域打包（例如 web、api、docs 等）
• 每个包都使用文件路径 + 行号进行索引
• 默认遵循 .gitignore
• 开始使用无需任何配置

输出为纯文本文件，便于上传或附加到 ChatGPT、Gemini、Claude 等。
该工具名为 srcpack。

Workflows where srcpack shines

• 探索大型仓库 – 提问 “auth 实际位于何处？” 或 “哪些地方涉及计费？”
• 规避上下文限制 – 与其手动粘贴文件，不如附上一个聚焦的包。
• 与非技术同事共享 – 将 LLM 友好的快照上传到 Google Drive 并分享。

产品经理或设计师常见的问题：

• “本周发布了哪些内容？”
• “还有哪些在进行中？”
• “哪些部分风险较大？”

srcpack 像是代码库的轻量只读 AI 接口。

Usage

npx srcpack   # or bunx srcpack

默认情况下不需要任何配置。

Documentation & Source

• Docs:
• GitHub:

Closing Thought

我并不认为这就是 LLM + 代码库交互的最终答案，但它在日常工作中带来了非常实用的改进。我很想了解其他人在处理大仓库上下文时是如何使用 LLM 的——尤其是在快速迭代的项目中。