Chiedi a un assistente AI di correggere un bug in un servizio che non conosce, e osserva cosa fa per prima cosa: inizia a leggere. Apre un file, poi un altro, poi cerca una funzione e ne apre altri quattro. Ogni passaggio costa token e tempo, e l'agente arriva alla modifica ancora a metà — avendo campionato la codebase invece di comprenderla.
Codna inverte quell'ordine. Legge l'intero repository prima che l'agente scriva una sola riga, costruendo una mappa strutturale dell'intero progetto in millisecondi. Gli agenti leggono il tuo codice. Codna lo capisce.
Perché un assistente AI per il codice legge alla cieca
Un repository di grandi dimensioni non è una cartella di testo. È un grafo — di import, call site, definizioni di tipo e le convenzioni silenziose che un team ha accumulato nel corso degli anni. Quando un agente di codifica AI percorre quel grafo file per file, paga due volte: una in token spesi a rileggere ciò che ha già visto, e una negli errori che commette perché non ha mai visto la parte che contava.
Il fallimento è raramente eclatante. L'agente corregge il sintomo e manca l'helper condiviso tre directory più in là. Duplica un'utilità che esiste già. Cambia una firma senza notare i sette chiamanti a valle. Nessuno di questi è un errore di ragionamento. Sono errori di contesto — al modello non è mai stato mostrato abbastanza della codebase per sapere meglio.
La maggior parte delle modifiche AI errate non sono errori di ragionamento. Sono errori di contesto mancante.
La soluzione abituale è inviare più testo: riempire il prompt di file e sperare che le righe rilevanti siano da qualche parte lì dentro. Questo scambia un problema con un altro. Le finestre di contesto si riempiono, i costi salgono, e il segnale di cui l'agente ha effettivamente bisogno viene sepolto sotto tutto ciò che non gli serve.
Prima la mappa, poi l'azione
La premessa di Codna è che comprendere una codebase e modificarla sono due lavori diversi, e dovrebbero girare su due motori diversi. Il motore di mappatura svolge il costoso lavoro strutturale una volta sola e lo mantiene aggiornato. L'agente di codifica si occupa della scrittura, arrivando con un contesto preciso invece di una lista di letture.
Quella mappatura avviene a zero token. Codna indicizza il repository con analisi statica anziché alimentando il codice sorgente attraverso un modello linguistico, quindi costruire e aggiornare la mappa di un progetto da un milione di righe non costa nulla in inferenza. Il budget del modello viene speso dove rende — sulla modifica stessa, non a riscoprire il progetto da zero a ogni sessione.
Il risultato è un assistente di codifica AI che tratta il contesto della codebase come infrastruttura. La mappa è sempre presente, sempre aggiornata, e interrogabile nell'istante prima che un agente ne abbia bisogno.
Comprendi. Correggi. Evolvi.
Il ciclo ha quattro fasi, e si eseguono in ordine ogni volta che l'agente entra in azione.
Prima, Codna mappa il repository — analizzando il progetto in un indice strutturale di file, simboli, dipendenze e call graph. Secondo, comprende quella mappa, risolvendo come i pezzi si relazionano affinché una query su una funzione conosca il codice che la chiama e quello da cui dipende. Terzo, quando arriva un'attività, Codna recupera il contesto — estraendo la porzione esatta della codebase che la modifica tocca, e niente di più. Quarto, guida l'agente, consegnando quel contesto mirato affinché l'agente di codifica modifichi con la stessa consapevolezza che un ingegnere senior porterebbe in testa.
Comprendi. Correggi. Evolvi. La nomenclatura è deliberata. La comprensione viene prima della correzione perché una correzione senza comprensione è un'ipotesi, e l'evoluzione — refactoring, migrazioni, il lento miglioramento di un sistema nel tempo — è sicura solo quando ogni modifica è radicata nel tutto.
Cosa cambia con un contesto preciso
Quando l'agente smette di leggere alla cieca, la differenza si vede nel lavoro, non nella demo.
- Le modifiche atterrano nel posto giusto perché l'agente può vedere ogni chiamante della funzione che sta toccando
- La spesa in token cala perché il modello non paga per rileggere i file a ogni turno
- I refactoring diventano più sicuri, poiché la mappa mostra il raggio d'azione completo di una modifica prima che venga rilasciata
- L'onboarding su un repository sconosciuto smette di essere un gioco di supposizioni — la struttura è già tracciata
Questa è la linea tra un agente di codifica AI e una vera code intelligence. Uno legge quanto può permettersi. L'altro sa cosa leggere prima di iniziare. Tra gli strumenti di assistenza AI per il codice, la distinzione è facile da perdere in una prova rapida e impossibile da ignorare nel corso di un trimestre di lavoro reale — è ciò che separa un autocompletamento intelligente dal miglior assistente AI per una codebase che devi davvero mantenere.
Costruito per i repository che hai già
Codna opera su progetti reali — quelli grandi, stratificati, parzialmente non documentati, non gli esempi ordinati di un tutorial. Funziona accanto agli agenti di codifica che i team già usano, anche come assistente AI per VS Code, così la mappa informa gli strumenti a cui gli sviluppatori si rivolgono invece di sostituirli. L'obiettivo non è mai stato aggiungere un'altra finestra. Era far arrivare l'agente nella finestra che hai già sapendo dove si trova.
Man mano che i sistemi crescono, il divario tra leggere il codice e comprenderlo non fa che allargarsi, e gli assistenti che lo colmano saranno quelli che mappano prima di agire. Codna è attivo, ed è costruito per quel futuro — dove comprendere la codebase è la prima cosa che fanno i tuoi strumenti, non l'ultima.