Sourcegraph Deep Search 重构：沙箱驱动的代码迁移新范式
随着企业级 AI 应用的规模化，Token 成本已成为工程领导者必须直面的核心考量。在代码迁移、审计等需要扫描数千个文件的场景中，传统的“全量上下文”Agent 工作流往往因将原始文件内容直接注入 LLM 上下文窗口，导致成本激增且性能稀释。
针对这一痛点，Sourcegraph 发布了 Deep Search 的最新架构升级。其核心创新在于将重型数据处理逻辑从 LLM 迁移至沙箱环境，通过 Sourcegraph 搜索 API 在隔离环境中执行脚本，仅将聚合后的结构化洞察返回给模型。
核心突破：沙箱驱动的数据处理
传统 AI Agent 工作流通常将 LLM 视为全栈处理器，试图让模型在海量噪声中自行提取信号。然而，Deep Search 改变了这一范式：
- 沙箱隔离执行：Deep Search 在沙箱环境中运行自动化脚本，调用 Sourcegraph 搜索 API 进行多轮检索、交叉引用和数据过滤。
- 结构化输出：系统自动将中间结果转化为 CSV、JSON 或 SVG 图表等标准格式，而非原始文件流。
- 精准上下文注入：LLM 仅接收经过清洗、汇总的最终发现，而非数千行的代码片段。
实际应用场景
1. 大规模代码迁移审计
在处理从 old/package 迁移至 new/package 的服务时，团队常面临难以定位所有遗留引用的问题。利用 Deep Search，开发者可以指令系统扫描整个代码库，自动识别包含特定模式的文件，并生成一份精准的 CSV 清单。团队无需阅读原始代码即可确认迁移范围，大幅缩短准备时间。
2. 代码健康度与安全审计
该架构同样适用于依赖项扫描。例如，系统可快速遍历仓库，识别使用高危版本（如 Log4j < 2.17）的库，并生成可视化的 SVG 报告，帮助安全团队优先处理风险点。
价值总结
Deep Search 的引入不仅解决了成本问题，更从根本上提升了 AI 辅助开发的效率：
- 成本可控：仅按高价值洞察付费，避免为中间处理过程买单。
- 性能提升：LLM 专注于逻辑推理而非数据搬运，输出质量显著提高。
- 结果可靠：沙箱环境确保数据处理的一致性，生成的报告可直接交付给开发团队执行。
正如 Sourcegraph 团队所言："As AI adoption matures, token efficiency is becoming a critical buying consideration... Deep Search's evaluator offers a concrete, architectural solution for lowering costs while improving the quality of AI-assisted development."
对于计划进行大规模重构或审计的企业而言，这标志着从‘尝试性’AI 工作流向‘生产级’AI 工程实践的跨越。
