---

name: analyze-codebase-workflow locale: wenyan-lite source_locale: en source_commit: 82c77053 fence_basis_commit: 82c77053 translator: "Julius Brussee homage — caveman" translation_date: "2026-04-19" description: > Analyze an arbitrary codebase to auto-detect workflows, data pipelines, and file dependencies using putior's put_auto() engine. Produces an annotation plan that maps detected I/O patterns to source files across 30+ supported languages with 902 auto-detection patterns. Use when onboarding onto an unfamiliar codebase to understand data flow, starting putior integration in a project without existing annotations, auditing a project's data pipeline before documentation, or preparing an annotation plan before running annotate-source-files. license: MIT allowed-tools: Read Write Edit Bash Grep Glob metadata: author: Philipp Thoss version: "1.0" domain: workflow-visualization complexity: intermediate language: multi tags: putior, workflow, analysis, auto-detect, polyglot, data-pipeline

析碼庫工作流

調查任一倉庫以自動偵測資料流、檔案 I/O 與腳本依賴，並產出結構化標註計畫供人工精修。

適用時機

• 初涉陌生碼庫，須解資料流
• 於尚無 PUT 標註之專案啟動 putior 整合
• 文件化前審計既有專案之資料管線
• 於行 annotate-source-files 前備標註計畫

輸入

• 必要：欲分析之倉庫或源目錄之路徑
• 選擇性：欲聚焦之特定子目錄（預設：整倉庫）
• 選擇性：欲納入或排除之語言（預設：一切已偵測者）
• 選擇性：偵測範圍：僅輸入、僅輸出、或二者（預設：二者 + 依賴）

步驟

步驟一：調查倉庫結構

辨源檔及其語言以解 putior 可析者。

library(putior)

# List all supported languages and their extensions
list_supported_languages()
list_supported_languages(detection_only = TRUE)  # Only languages with auto-detection

# Get supported extensions
exts <- get_supported_extensions()

以列檔解倉庫構成：

# Count files by extension in the target directory
find /path/to/repo -type f | sed 's/.*\.//' | sort | uniq -c | sort -rn | head -20

預期： 倉庫所現副檔名清單，附計數。將此對 get_supported_extensions() 比，以知覆蓋。

失敗時： 若倉庫無檔合於支援之副檔名，putior 不能自動偵測工作流。考量語言雖支援然檔用非標準副檔名。

步驟二：查語言偵測之覆蓋

對每偵測之語言，驗自動偵測模式之可用性。

# Check which languages have auto-detection patterns (18 languages, 902 patterns)
detection_langs <- list_supported_languages(detection_only = TRUE)
cat("Languages with auto-detection:\n")
print(detection_langs)

# Get pattern counts for specific languages found in the repo
for (lang in c("r", "python", "javascript", "sql", "dockerfile", "makefile")) {
  patterns <- get_detection_patterns(lang)
  cat(sprintf("%s: %d input, %d output, %d dependency patterns\n",
    lang,
    length(patterns$input),
    length(patterns$output),
    length(patterns$dependency)
  ))
}

預期： 各語言之模式計數已印。R 有 124 模式，Python 159，JavaScript 71 等。

失敗時： 若語言回無模式，則支援人工標註而非自動偵測。計畫人工標註該等檔。

步驟三：執行自動偵測

於目標目錄行 put_auto() 以發現工作流元素。

# Full auto-detection
workflow <- put_auto("./src/",
  detect_inputs = TRUE,
  detect_outputs = TRUE,
  detect_dependencies = TRUE
)

# Exclude build scripts and test helpers from scanning
workflow <- put_auto("./src/",
  detect_inputs = TRUE,
  detect_outputs = TRUE,
  detect_dependencies = TRUE,
  exclude = c("build-", "test_helper")
)

# View detected workflow nodes
print(workflow)

# Check node count
cat(sprintf("Detected %d workflow nodes\n", nrow(workflow)))

對大型倉庫，逐次分析子目錄：

# Analyze specific subdirectories
etl_workflow <- put_auto("./src/etl/")
api_workflow <- put_auto("./src/api/")

預期： data frame 含 id、label、input、output、source_file 等欄。每行表一偵測之工作流步驟。

失敗時： 若結果為空，源檔或不含可識之 I/O 模式。試啟除錯記錄：workflow <- put_auto("./src/", log_level = "DEBUG")，以見何檔被掃、何模式相符。

步驟四：生初圖

視覺化自動偵測之工作流以評覆蓋並辨缺。

# Generate diagram from auto-detected workflow
cat(put_diagram(workflow, theme = "github"))

# With source file info for traceability
cat(put_diagram(workflow, show_source_info = TRUE))

# Save to file for review
writeLines(put_diagram(workflow, theme = "github"), "workflow-auto.md")

預期： Mermaid 流程圖呈現偵測之節點，以資料流邊相連。節點應以有意義之函式／檔案名標。

失敗時： 若圖呈分離節點，自動偵測尋得 I/O 模式然不能推連結。此為常——連結由比對輸出檔名與輸入檔名而得。標註計畫（下一步）將彌缺。

步驟五：產標註計畫

生結構化計畫，記所尋得者與所需人工標註者。

# Generate annotation suggestions
put_generate("./src/", style = "single")

# For multiline style (more readable for complex workflows)
put_generate("./src/", style = "multiline")

# Copy suggestions to clipboard for easy pasting
put_generate("./src/", output = "clipboard")

附覆蓋評估之計畫文件：

## Annotation Plan

### Auto-Detected (no manual work needed)
- `src/etl/extract.R` — 3 inputs, 2 outputs detected
- `src/etl/transform.py` — 1 input, 1 output detected

### Needs Manual Annotation
- `src/api/handler.js` — Language supported but no I/O patterns matched
- `src/config/setup.sh` — Only 12 shell patterns; complex logic missed

### Not Supported
- `src/legacy/process.f90` — Fortran not in detection languages

### Recommended Connections
- extract.R output `data.csv` → transform.py input `data.csv` (auto-linked)
- transform.py output `clean.parquet` → load.R input (needs annotation)

預期： 清晰之計畫，分自動偵測之檔與需人工標註者，附各檔具體建議。

失敗時： 若 put_generate() 無輸出，確保目錄路徑正確且含支援語言之源檔。

驗證

• put_auto() 於目標目錄執行而無誤
• 偵測之工作流至少一節點（除非倉庫無可識之 I/O）
• put_diagram() 自自動偵測之工作流產有效 Mermaid 碼
• put_generate() 為偵測模式之檔產標註建議
• 標註計畫文件已建，附覆蓋評估

常見陷阱

• 掃過廣：於倉庫根行 put_auto(".") 恐含 node_modules/、.git/、venv/ 等。鎖定特定源目錄
• 期全覆蓋：自動偵測尋得檔案 I/O 與函式庫呼叫，非業務邏輯。40-60% 覆蓋為常；其餘需人工標註
• 忽依賴：detect_dependencies = TRUE 旗標捕 source()、import、require() 呼叫以連腳本。停之則失跨檔連結
• 語言不符：副檔名非標準之檔（如 .R vs .r、.jsx vs .js）恐不被偵測。用 get_comment_prefix() 查副檔名是否識。注：無副檔名之檔如 Dockerfile、Makefile 透過精確檔名比對而支援
• 大型倉庫：對 100+ 源檔之倉庫，按模組／目錄分析以保圖可讀

相關技能

• install-putior — 先決：putior 須先安裝
• annotate-source-files — 下步：依計畫加人工標註
• generate-workflow-diagram — 標註完後生最終圖
• configure-putior-mcp — 用 MCP 工具行互動分析會話