User Instructions

2026-07-15

不需要看 claude 了, 你去开一个新的 worktree, 把这些都实现一下, 然后给我看图,

1. 像素/行级系 —— SeeSoft(Eick,贝尔实验室,1992) 一切的祖师爷。每行代码压缩成一个像素行,颜色编码年龄/作者/修改次数,一屏塞下几万行。"代码年龄热图"这个概念就是它发明的。它的直系后代活得最好:GitLens 在编辑器里的 blame 热图、git blame 的各种可视化,本质都是 SeeSoft。存活原因:嵌进了工作现场(编辑器),回答"这段代码多老/谁写的"。

2. 矩阵系 —— Evolution Matrix(Lanza,2001) 行 = 文件,列 = 版本,格子大小 = 那个版本的文件体积。整个系统的生长史变成一张矩阵,然后 Lanza 给出了一套天文学命名的演化模式:Pulsar(脉冲星,规律性反复修改)、Supernova(超新星,突然爆长)、White Dwarf(白矮星,逐渐萎缩)、Dayfly(蜉蝣,朝生暮死)。方案本身学术圈内流传,但"给演化模式起可传播的名字"这个手法极其值得偷——"你的仓库里有 3 颗超新星"比"3 个文件增长异常"好传播十倍。

3. 地图/城市系 —— CodeCity(2007)、EvoStreets(2010)、软件地图学(2010) CodeCity 说过了。值得补的是两个修正它的后继:EvoStreets(Steinbrückner & Lewerentz)把城市改成随演化"自然生长"的街道网——老模块在市中心,新模块长在城郊,布局本身编码历史;Software Cartography(Kuhn et al.)用代码词汇做 MDS 降维,让"语义相近的代码在地图上相邻",且布局跨版本稳定。近期最出圈的后代是 GitHub Next 的 Repo Visualizer(Amelia Wattenberger,2021)——圆形嵌套打包图,一条 GitHub Action 自动生成,火过一阵。这一族反复验证了一件事:确定性/稳定布局是"可比较"的前提——mindwalk 的 citymap 就是从这里来的。

4. 动画/粒子系 —— code_swarm(2008)、Gource(2009) Ogawa 的 code_swarm:提交者和文件是发光粒子,谁改了什么就互相吸引,项目的社交动力学变成虫群舞蹈。一年后 Gource 把它做成了人人可跑的工具。这一族定义了"软件生长视频"这个体裁,也暴露了体裁的天花板:百万播放,零日常使用——纯海报,无仪器。

5. 河流/地层系 —— History Flow(2004)、git-of-theseus(2016) History Flow(Viégas & Wattenberg,IBM)本来是画维基百科条目的:每个作者一种颜色,文档随版本变成彩色地层,一眼看出谁的贡献存活、哪次被整段推翻。git-of-theseus(Erik Bernhardsson)把同样的思想用到代码上:按"代码出生年份"分层的堆叠面积图,直观回答"2019 年写的代码今天还活着多少"——半衰期曲线,博客圈刷屏级传播。这一族的承重思想是"存活",不是"活动":不问改了多少,问留下了多少。

6. 法医/犯罪现场系 —— Adam Tornhill(2015 至今) 整个领域唯一商业上成功的分支。《Your Code as a Crime Scene》+ CodeScene 产品,三件武器:热点图(圆形嵌套打包,修改频率 × 复杂度,回答"重构哪里回报最大")、时序耦合(总是被一起提交的文件对——藏起来的架构真相,画成弦图/网络)、知识地图(每块代码的主人是谁,主人离职了哪块变成无主之地 → truck factor)。它存活的原因是把每张图都对准了一个管理决策:往哪投重构、哪里有隐式依赖、谁走了会出事。

7. 人的故事线系 —— Ownership Map(Gîrba,2005)、Evolution Storylines(2010) 每个开发者一条彩色线,在文件/模块间穿行纠缠,像 xkcd 那张电影叙事图。回答"这个系统是谁以什么节奏推动的"。

对你的启示:这个领域全部建立在一个即将过时的假设上 三十年的方案共享同一个数据源假设:演化的最小观测单位是 commit,演化的主体是人。这两个假设在 agent 时代双双失效,而失效处就是机会:

粒度革命:commit 是事后打包的快照,粒度以天计;你从 SSL 流量里拿到的是每次 Read/Edit 事件,粒度以秒计,还带完整 diff。Evolution Matrix、git-of-theseus 这些经典,用你的数据重做就是"分钟级地层图"——观测精度高出三个数量级,等于给旧望远镜换了新镜片。 时序耦合从相关变因果:Tornhill 的耦合分析是相关性的("这两个文件总是同一个 commit 里出现")。你能看到信息流本身:agent 读了 A 之后才改了 B——这是因果耦合,是这个领域三十年想测而测不到的东西。 "作者"换人了:Ownership Map 里的彩色线以后是 claude / codex / 人类;History Flow 的地层可以回答"这个仓库还有多少行是人写的、agent 写的代码半衰期比人写的长还是短"——这本身就是 2026 年最有传播力的问题之一,而且用 git-of-theseus 的现成图式就能画。 所以如果要选致敬对象:海报层学第 4、5 族(Gource 的动画、地层图的"存活"叙事),仪器层学第 6 族(每张图绑一个决策),数据层的故事就讲"我们把这个三十年的领域从 commit 粒度带进了 event 粒度"。 包括这些和许多种可视化方案, 要用真实的长期的数据来画图, 至少几天的 repo 历史; 这里面是不是也需要 git 历史和文件创建历史交叉核对？还需要啥信息吗? 图的种类越多越好, 最好也可以是可以播放的那种带时间轴的可以拖动的等等, 尽可能符合真实用户的使用体验, 要尽可能搜索复用现有的可视化工具而不是自己造轮子. 类似 auto research, 去做实验和写一个可视化的论文