AST Comprehension — Query, no leas

Explorar código ajeno pidiendo solo lo que necesitas. El patrón RLM (Recursive Language Models — Zhang, Kraska, Khattab, MIT CSAIL 2025) trata el codebase como dato externo que el modelo examina recursivamente con queries tipadas, en vez de cargar ficheros enteros al contexto.

Regla: antes de Read de un fichero completo, pregúntate si la respuesta cabe en una de las 6 queries tipadas abajo. Si cabe, úsala. Solo cae a Read para ficheros pequeños donde genuinamente necesitas la lectura completa.

Cuándo usar

• Pre-edición: antes de editar un fichero existente → pide solo el símbolo afectado + callers
• Legacy assessment (/legacy-assess): explora desde entrypoints, sigue la cadena
• Evaluate repo (/evaluate-repo): estructura + símbolos clave
• Comprehension report (/comprehension-report): documentar arquitectura sin dump completo
• Debugging cross-file: "¿quién llama a X con estos parámetros?"

Diferencia con ast-quality-gate

Skill	Input	Pregunta	Output
ast-quality-gate	Código generado por IA	¿Tiene errores?	Score + issues
ast-comprehension	Código ajeno/legacy	¿Qué hace y cómo?	Respuesta a query tipada

Las 6 queries tipadas (RLM pattern)

Cada query responde una pregunta concreta con un recipe bash que Claude ejecuta directamente. No hay server, no hay daemon — solo instrucción disciplinada sobre grep/sed/tree-sitter. Tokens estimados por operación típica en un proyecto de 10k LoC.

1. symbol-search <name> — encontrar dónde está definido

Pregunta: ¿Dónde se define useAuthStore?

grep -rn "^\(export \)\?\(function\|const\|class\|def\) <name>" src/ --include="*.{ts,tsx,js,vue,py,go,rs}"

Tokens: ~20. Evita listar cada mención del nombre.

2. impl <name> <file> — leer la implementación exacta

Pregunta: ¿Qué hace scanDirectory en walker.ts?

# Con tree-sitter (preferido, si instalado):
tree-sitter parse <file> | jq '.. | select(.type=="function_declaration" and .name=="<name>")'
# Sin tree-sitter (fallback): encontrar línea de definición y extraer hasta el cierre de llaves
awk '/^(export )?(function|const|class) <name>/,/^}/' <file>

Tokens: ~50-200 según tamaño de la función. Siempre menor que leer el fichero (500-3000 LoC típico).

3. callers <name> — quién usa este símbolo

Pregunta: ¿Qué componentes llaman a useAuthStore?

grep -rn "<name>(" src/ --include="*.{ts,tsx,vue,js}" | grep -v "function <name>\|const <name>"

Tokens: ~3 por caller. En savia-web, useAuthStore tiene 56 sites → ~200 tokens vs ~15k si lees los 19 ficheros completos. 75x menos.

4. tests <name> — tests que referencian X

Pregunta: ¿Hay cobertura de useAuthStore?

grep -rn "<name>" "**/__tests__/" "**/*.test.*" "**/*.spec.*" "tests/" 2>/dev/null

Tokens: ~5 por test reference. Evita listar tests que solo rozan el término.

5. peek <file> <start> <end> — rango exacto de líneas

Pregunta: ¿Qué hay en config.ts líneas 40-65?

sed -n '<start>,<end>p' <file>

Tokens: proporcional al rango. Úsalo cuando ya sabes dónde mirar.

6. grep-code <pattern> — scope-aware (código, no comentarios)

Pregunta: ¿Dónde se usa el flag STRICT_MODE en código real, no en comentarios?

# Filtro heurístico: excluir líneas que empiezan con // # /* * (comentarios comunes)
grep -rn "<pattern>" src/ | grep -vE '^\s*(//|#|/\*|\*)'

Tokens: típicamente 5-10x menos que grep plano en código con mucho comentario.

Pipeline de exploración (RLM)

1. Entrypoint — Empieza en algo concreto: error message, función, endpoint API, log line. Usa symbol-search o grep-code para localizarlo.
2. Impl — Lee la implementación exacta con impl. No el fichero — la función.
3. Trace up — callers para saber quién invoca. Lee esos impls. Repite.
4. Trace tests — tests para ver cobertura. Los tests suelen contener el uso canónico.
5. Parar cuando tengas la narrativa. No cuando hayas leído cada cosa relacionada.

Backend opt-in: CodeGraph MCP

Las 6 queries tienen ahora dos backends. Si el MCP codegraph está activo en el proyecto (ver .opencode/skills/codegraph/SKILL.md), se usa como backend preferido — devuelve resultados resueltos semánticamente, no matches de grep que pueden ser comentarios o strings.

Query	Backend MCP (preferido)	Backend grep (fallback)
symbol-search	codegraph_search	grep -rn
impl	codegraph_node --source	awk
callers	codegraph_callers	grep + filtro
callees	codegraph_callees	n/a
tests	codegraph_search --kind test	grep en __tests__/
grep-code	codegraph_search filtrado	grep con filtro de comentarios

Además CodeGraph añade dos queries que grep no puede emular:

• codegraph_impact <symbol> — qué se afecta al cambiar X.
• codegraph affected --stdin — tests afectados por un diff (CI).

El agente decide el backend en runtime con codegraph_status. Sin CodeGraph activo, todo sigue funcionando con grep.

Anti-patterns

• ❌ Read de un fichero entero para responder "¿qué hace función X?" → usa impl.
• ❌ grep seguido de Read de cada match → usa callers (devuelve solo call sites).
• ❌ Dump JSON monolítico para un fichero cuando la pregunta era sobre 1 símbolo → usa impl.
• ❌ Leer test file completo para entender qué prueba un símbolo → usa tests.

Extracción monolítica (fallback para legacy assessment)

Si la tarea es inventariar un codebase entero (no responder una pregunta), entonces sí corresponde el dump completo. Ver references/extraction-commands.md para el pipeline de 3 capas (tree-sitter + semgrep + native tooling) y references/comprehension-schema.md para el JSON schema.

Prerrequisitos

• tree-sitter-cli (opcional): npm install -g tree-sitter-cli — mejora impl y grep-code.
• jq para normalización JSON de tree-sitter output.
• awk / sed / grep (siempre disponibles) — fallback suficiente para las 6 queries.

Referencias

• Paper RLM: Recursive Language Models — Zhang, Kraska, Khattab (arXiv:2512.24601).
• Research interno: output/research-coderlm-20260418.md — evaluación de coderlm y decisión de robar patrón sin adoptar el binario.
• references/extraction-commands.md — comandos por lenguaje.
• references/comprehension-schema.md — JSON schema del modo monolítico.