图 08 · 代码库治理
架构团队如何防止 AI 驱动的代码库熵增？
可持续代码库循环：AI 加速输出功能的同时也加速积累技术债。/improve-codebase-architecture 作为周期性扫描仪，在发布后识别摩擦信号，选择最高价值的改进，然后进入普通功能流。
为什么 AI 加速了熵增？
AI 提升代码输出速度的同时，也提升了技术债积累的速度。它可以快速生成功能，但没有架构直觉来识别何时需要归还技术债。/improve-codebase-architecture 是人类架构师定期介入的工具。
周期建议与触发时机
高速开发期：每 2 周运行一次扫描。稳定维护期：每 4 周一次。即时触发器：当任意摩擦信号（重复代码激增、测试显著变慢、单点修改牵连过大）出现时提前启动。
每次循环严格只选一个最高价值的改进切片，切忌贪多。
实例：实体库高速开发后的维护循环
摩擦信号（阶段 ②）
3 个月的 AI 辅助开发后，发现：测试套件从 8s 增长到 45s；4 处文件重复了相似的「找到所有 active 实体」逻辑；新增一个 hook 类型需要修改 6 个不同的文件。
架构扫描结果（阶段 ③）
扫描找到 3 个改进机会：① 提取 EntityQuery 服务（高影响，低风险）；② 分离测试 fixture（中影响，极低风险）；③ 拆分 EntityRegistry 模块（高影响，高风险）。本次聚焦选 ①，拆出工单进入图 01 交付。
线性阅读顺序：发布功能 → 观察摩擦信号（重复代码、测试变慢、牵连修改）→ /improve-codebase-architecture 运行架构扫描（内部用 {grilling}）→ 按影响/风险/工作量选最高价值改进 → 进入图 01 功能流（改进也是功能）→ 验证改进效果（测试速度、摩擦消失）→ 发布 → 循环。