“老板怀疑我偷偷转行去搞AI了。” 程序员小李（化名）笑着对记者说。就在上周，他用一个下午的时间，仅凭纯 JavaScript 和 Node.js，搭建出了一个能“读懂”公司数万行业务代码的 AI 助手。这件事在公司内部引起不小轰动——不仅是因为效率惊人，更因为这位前端工程师并未使用任何大型语言模型的付费 API，完全靠开源模型和手搓的逻辑，实现了代码理解、注释生成和功能问答。
从“加班改bug”到“一个下午搞定的灵感”
小李在一家中型互联网公司负责前端开发，日常维护的是一款运行了五六年的后台管理系统。代码体量庞大，注释缺失严重，新人上手常常需要花两周才能理清业务逻辑。“上周三下午，我被一个遗留的bug折磨得头大，翻了三层回调函数才发现是命名污染。”他回忆道。就在那个烦躁的节点，一个念头闪过：能不能让AI帮我“翻译”这堆代码？
他随即打开终端，用了两分钟安装 Node.js 的依赖包，然后开始编码。“我选了纯 JS 和 Node，因为前端最熟，不想切换语言增加心智负担。”方案也很直接：利用开源的代码解析库将 JavaScript 代码转为抽象语法树（AST），再通过本地运行的轻量级语言模型（基于 Transformers.js 的量化版本）对AST节点进行语义标注。整个过程没有碰 Python，没有调云 API，所有计算都在本地完成。
技术细节：不是黑魔法，是工程组合
小李向记者展示了这个助手的核心逻辑——一个不到500行的 Node.js 脚本。它首先读取项目目录下的所有 .js 和 .jsx 文件，用 acorn 库解析成 AST 树。然后对每个函数声明、变量定义、类结构提取关键标识符和上下文。最关键的一步是：将这些结构化的代码片段传给一个经过 fine-tune 的 tinyBERT 模型（大小仅 30MB），模型会输出该代码段的“意图标签”。
“比如一段 this.list.filter(item => item.status === 'active').map(...)，模型会打出‘筛选活跃状态数据并映射’。”小李解释说，所有标签再通过一个简单的规则引擎合并，最终生成一份可读的code-map.json。前端再写个简单的 HTML 页面挂载这个 JSON，就变成了一个支持自然语言查询的代码问答系统。
老板的反应：“你确定没转行做AI？”
当小李把链接发到公司群，并输入“找到所有与用户权限相关的接口和状态码”时，系统在3秒内返回了5个函数定义、2个全局常量和1个路由注册语句。部门主管看到后，私聊他：“你什么时候跳去做AI工程师了？”同事们也纷纷调侃：“这效率，怕是偷偷报了个培训班。”
事实上，这个系统并非“万能”。小李坦言，对于复杂的状态机流转和隐式依赖，AI助手偶尔会给出模糊答案。但它在日常代码审查、新人培训、bug定位场景中已经能节省约60%的阅读时间。CTO得知后，当场决定将该项目立项为一个内部工具，并计划增加对 TypeScript 和 Python 的支持。
启示：AI普惠化，从“手搓”开始
这个故事看起来像是一个技术极客的下午狂欢，但它折射出一个更深层的趋势：AI 能力的门槛正在急剧降低。纯 JS 生态的成熟（如 Transformers.js、ONNX Runtime Web）、开源模型的轻量化、以及 AST 解析工具的普及，让任何一个熟练的前端工程师都有能力在半天内构建出“脑洞级”的 AI 应用。
小李最后对记者说：“老板以为我转行了，其实我只是把‘读代码’这个苦活交给机器。下一个下午，我打算搓个能自动修bug的助手。” 他的眼神里带着调侃，也带着那一代程序员独有的自信——手搓AI，不需要什么高深背景，一个编辑器、一份好奇心，足矣。