新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何安全删除死代码:Fallow trace 证据链 + fix 自动修复完整指南

发布时间:2026/11/11 19:00:03来源:尧图网络
如何安全删除死代码:Fallow trace 证据链 + fix 自动修复完整指南
如何安全删除死代码Fallow trace 证据链 fix 自动修复完整指南【免费下载链接】fallowCodebase intelligence for TypeScript and JavaScript. Free static analysis of code and styles: unused code, duplication, circular deps, complexity hotspots, architecture boundaries, design-system drift. Optional paid runtime layer (Fallow Runtime): hot-path review and cold-path deletion evidence from real production traffic.项目地址: https://gitcode.com/gh_mirrors/fa/fallowFallow 是一款面向 TypeScript / JavaScript 的代码库智能静态分析工具一条命令即可找出未使用的代码、循环依赖、重复代码与复杂度热点。本教程教你用fallow trace为每个待删符号建立可审计的证据链再用fallow fix安全地自动修复死代码全程零猜测、零误删。为什么删除死代码总让人心里没底删代码最怕的不是删了而是无法自证删对了这个导出真的没人引用吗还是被某个动态 import 偷偷用着删了之后测试会挂吗会波及哪些文件手动一把梭删错一个符号回滚成本远高于分析成本Fallow 的思路是把仓库读成一张依赖图——从 import 边到样式 token 全部建模然后只报告图能证明的事实。删除决策因此从感觉没人用升级为证据链闭合。快速安装与首次运行Fallow 零安装即可跑完整流水线死代码 重复 健康度无需 Node.js 运行时也不需要 TypeScript 编译器# 零安装全流水线 npx fallow # 只作为 devDependency 安装 npm install --save-dev fallow首次运行如果报出大量未使用多半是缺了入口点提示或误扫了生成文件——用npx fallow recommend可以自动检测技术栈并给出配置建议详见 README 的 Quick start 章节。 退出码约定0和1都表示运行成功1表示有发现项2才是真错误。写脚本时按这个约定分支即可。第一步删除前用 fallow trace 建立证据链双向追踪符号调用链谁在用它、它又在用谁fallow trace接受文件:符号目标沿依赖图同时向上走调用方callers、向下走被调用方callees把完整引用链打印出来# 追踪某个函数的调用链默认双向 npx fallow trace src/utils.ts:formatDate # 只看谁引用了它 / 限制追踪深度 npx fallow trace src/utils.ts:formatDate --callers --depth 3它的设计在源码中写得非常坦诚trace_chain.rs 注释明确这是 best-effort 的语法级追踪并且未解析的被调用方会如实出现在unresolved_callees里绝不静默丢弃——也就是说证据链里看不清的部分会明确告诉你看不清而不是假装没看见。默认双向追踪的逻辑见 trace_chain.rs。证明一个符号真的无人使用删除某个导出前用--trace模式让它给出未使用证明npx fallow dead-code --trace src/file.ts:symbol如果符号是类成员比如Class.methodtrace 会退回报出宿主导出的可达性与使用情况并指给你正确的成员级命令——因为成员能否被引用前提是它所在的模块本身可达。第二步用 fallow fix --dry-run 预览修复计划真正动手前先让 Fallow 展示它打算改什么npx fallow fix --dry-rundry-run 输出是纯预览哪些文件、哪些导出会被移除一个字节都不会落盘。你确认计划合理后去掉--dry-run才真正应用npx fallow fix修复计划的规划与执行分离在 fix/plan.rs 与 fix/mod.rs 中实现改动前会捕获文件哈希保证每次应用都是可验证的。第三步验证结果让删除可审计修复完成后做两件事重跑分析确认清零npx fallow dead-code应不再报出同一批符号。Fallow 的运行是确定性的相同输入产生相同输出与稳定指纹所以重跑验证是安全的。用 JSON 契约留档任何命令加--format json输出一个类型化的 JSON 文档其中每个 issue 携带actions[]并用auto_fixable标志标明哪些发现项可以交给fallow fix。把这份 JSON 存档就是这次删除的完整证据。完整输出契约见 output-schema.json。Fallow 的 fix 为什么可以放心让它删代码这是本教程最想传达的一点Fallow 对会改代码的命令采取了**失败即停止fail-closed**策略。如果你启用了--type-aware语义分析而它中途失败fix会直接终止而不是降级为语法结果继续删——因为降级会让删除集变大恰恰删掉那些本该被类型证据保住还活着的代码。这一设计意图写在 fix/mod.rs 的注释里。类成员只有在所有所属项目都报出完整的未使用证据、且声明哈希仍匹配时才会变成可自动修复项否则 Fallow 保留发现项并解释差距原因。遗留代码库可采用 baseline 隔离--save-baseline存档现有发现项之后--baseline让它们不再阻塞日常运行。语义级证据的完整契约见 type-aware-analysis.md面向 AI Agent 的合规循环见 fallow-compliance.md。安全删除死代码清单 ✅步骤命令目的1️⃣ 扫描npx fallow dead-code找出候选死代码2️⃣ 取证npx fallow trace src/file.ts:symbol验证调用链确认无人引用3️⃣ 预览npx fallow fix --dry-run审阅修复计划4️⃣ 应用npx fallow fix执行自动修复5️⃣ 验证npx fallow dead-code --format json留档证据确认清零遵循这套先取证、再预览、后修复、终验证的流程删除死代码就从一场赌博变成了一条可审计、可复现、可回滚的工程操作。【免费下载链接】fallowCodebase intelligence for TypeScript and JavaScript. Free static analysis of code and styles: unused code, duplication, circular deps, complexity hotspots, architecture boundaries, design-system drift. Optional paid runtime layer (Fallow Runtime): hot-path review and cold-path deletion evidence from real production traffic.项目地址: https://gitcode.com/gh_mirrors/fa/fallow创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/11 9:31:44

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/11 5:36:08

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/11 15:37:39

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉