architecture-refactoring-evidence-gathering

指导AI助手通过证据而非主观印象来衡量重构候选对象的初始状态——选择一个能够追踪实际痛点的指标（因为成功的重构对用户是不可见的，大多数业务指标也不会发生变化），采用低成本的静态复杂度信号（如圈复杂度计数、规模代理指标、注释密度）、定量与定性相结合测试/类型覆盖率、版本控制挖掘（提交信息搜索、复杂度随时间变化趋势、时间耦合性、作者碎片化，参考Tornhill的《软件设计X光》），以及文档和声誉作为证据来源，并从每个类别中大致选取一个指标，而不是将所有信号一股脑地堆砌在案例中。

模型生成摘要（rules/v1 · 2026-11-15 10:57）：指导AI助手通过证据而非主观印象来衡量重构候选对象的初始状态——选择一个能够追踪实际痛点的指标（因为成功的重构对用户是不可见的，大多数业务指标也不会发生变化），采用低成本的静态复杂度信号（如圈复杂度计数、规模代理指标、注释密度）、定量与定性…
这是模型对公开材料的总结，不是官方声明，请以原链内容为准。

存档时间线

版本	存档时间	内容哈希	内容
v1	2026-11-15 10:55	a89ced48	可取

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

纠错与举报（发现条目失效、署名有误或涉及侵权？）

提交举报 / 纠错

侵权举报经核验成立后，我们会即时下线该条目并删除已存的内容副本。