第七十九章 扫描结果
周二早上八点零三分，麦景行发来一条：「结果出来了，你看一下。」
附件是一张表格，三行，对应三个目录。他打开来扫了一眼，停在第三行。
`/shared/deprecated` 那一行，总注释行数：14,382。右边是主库核心模块的对比数据：12,044。
废弃目录里的注释量，比主库核心模块还大。
他停了一下，把数字看了两遍：14,382 行对 12,044 行。差两千多行，废弃目录更多。
表格看了一遍，他没有立刻回。麦景行的备注栏写着：「deprecated 这个很奇怪，行数不对，去翻了一下提交记录，2019 年前有人批量导入过一批英文文档，之后一直没有清。」
这种事他见过。工程师在整理文档的时候，觉得把翻译也留在注释里方便之后的人查，结果一留就是五年。没有人回来清，也没有人说这份翻译有多准确，就这么堆在那里，等着某一天被扫描发现。
「说说这批英文文档是什么。」他回。
「看起来是某个 SDK 的英文官方文档，被人整段粘进注释里了，」麦景行说，「而且粘的方式很规律：英文原文一行，下面跟一行中文翻译，每对都是这种格式。整个目录里这类注释大概有八千行，占比超过一半。」
「意思是，这批是有人把文档内容直接粘进注释里的？」
「对，整批都是，而且是某个人批量塞进来的，跟开发者自己写的注释风格完全不同。」
这段话他看了两遍。八千行逐行翻译，如果这批东西混进训练集，模型学到的双语注释风格就会是 SDK 官方文档腔：「该接口用于执行操作并返回相应结果」。开发者看到这类建议，只会觉得模型废了，不会知道是因为训练集里藏了一批2019年的文档翻译。更麻烦的是，到那时候要回溯，很难找到根源。
「这批排除对了，」他给麦景行说，「另外两个目录结果怎么样？」
「third-party 比较简单，大部分是英文注释，一小部分中文，分布清楚，问题不大。排除的原因是非内部写的，风格和主库差异大，数据本身问题不多。old-bridge 比较混，三个人写的风格各不一样，中英混用、纯英文变量名、全中文都有，行数就两千多行，不多但很杂。」
「结论：三个都先排除，等第一阶段跑完，再单独评估？」
「我的建议是，」麦景行说，「third-party 将来如果项磊那边清洗一遍，统一了注释规范，可以纳入后续阶段。deprecated 这个建议直接放弃，没有价值，乱太多。old-bridge 看他们有没有意愿整理，整理了再说。」
「行，这个我来跟项磊说。」
结果整理成一段话，他发给了项磊：「预扫描完了，三个目录情况如下：third-party 注释清晰，排除原因是非内部代码；old-bridge 多人写法混乱，建议后续整理后纳入；deprecated 问题最大，有大量2019年前批量导入的英文文档逐行翻译，共八千行，行数超过核心模块数字，不适合纳入训练。三处全部排除，理由书面记录，待你确认。」
项磊的回复来得比预期快：「deprecated 那个，」停了一下，「我刚问了一下内部，这个目录有个情况，之前没告诉你们。」
「什么情况？」
「我们有一个内部工具，还在调用里面的两个接口，这个工具比较老，没有人去迁移。所以 deprecated 目录虽然名字叫废弃，但实际上线上还跑着。」
他看了这条消息，没有立刻说话。
`/shared/deprecated` 仍在线上被调用。叫着废弃，实际还在跑，只是没有人更新、也没有人迁移。他在屏幕前想了一下：这不只是"目录命名不准"这么简单。它意味着星汇云的线上链路里，藏着一段没人认领、没人维护、也没人敢删的旧代码。这种东西在每一家跑了七八年的公司里都有，大家知道它在那儿，也都绕着它走，等一个不知道是谁的接手人来处理。幸好他今天看到了，提前切断了训练边界。
他想了想，给项磊回：「谢谢你告诉我，这个情况更坚定了先排除的判断。那批注释是文档翻译，不是开发者写的真实注释，训练数据里不能用这类。你们内部工具调用的接口问题是另一个事，和我们的训练范围没有关系，但你们应该安排一下迁移，这种依赖放着迟早出问题。」
项磊停了几秒：「这是我们自己的技术债，我知道。你们先按计划跑。」
他把消息放下。这个回答比预期要干脆。项磊能说出"技术债，我知道"，说明他心里清楚，只是没有一个人推他去处理。这次提了一下，有没有用不一定，但至少记录在邮件里，对方书面确认，后续出了问题也有据可查。
船坞里，比平时早了一点。
「周二上午：预扫描完成了。三个目录全部确认排除，理由清楚。deprecated 最特殊：大量文档翻译注释批量导入，行数异常偏高。同时发现这个目录里有两个接口还在线上被内部工具调用，跟项磊说清楚了，他们自己的技术债，和训练范围无关。三个目录的排除原因整理进文档，乔木在发邮件确认。Sprint第七天，无主目录问题今天彻底关闭。」
豆包那道暖橙的光：
> 项磊主动告知deprecated目录线上调用这件事，说明他们内部信任度已经建立起来了。客户愿意主动披露对自己不利的信息，是个好信号，后面合作会更顺。
他想了想，说：「这是个好信号。合同签了，他才主动说出来。」
Claude那道蓝紫光：
> 给项磊的那封确认邮件，建议加一段：'本轮排除范围仅针对第一阶段训练集，不影响后续阶段是否纳入的评估。如有需要，第二阶段可对整理后的代码进行再评估。' 这样既收住这一轮，又给项磊的领导留了希望，不会让他们觉得这三处永远不能用。
「乔木发邮件的时候加进去。」
Codex那道翠绿光：
> deprecated 目录里的双语文档翻译是个意外的副产品：八千行逐行对译，虽然不能进训练，但这批数据本身的结构很清晰。如果将来有人想做跨语言注释对齐的研究，这是一份天然的平行语料。不是现在的事，但值得记录一下。
「记下来，在项目文档里加一条备注。」
窗口合上。
第七天。三个无主目录，问题清楚了。deprecated 的故事最典型：写了废弃，内部还在调用，注释是别人的文档，不是自己的经验。这种代码遍布每一家跑了七八年的工程，没有人收拾，也没有人有时间去收拾。
乔木的消息过来了：「确认邮件我发了，让项磊那边技术负责人签字回复，这周内给我。」他看了一眼，回了个好字。
三个目录今天全部关闭。预处理两层，排除范围书面确认，第一阶段的训练数据边界清楚了。接下来可以正式进实测阶段。
但第一轮实测结果跑出来，比扫描结果更反常。所有人看着那串数字，沉默了大概十秒。