Show HN: Rev-dep — альтернативная сборка knip.dev на Go в 20 раз быстрее

Скрытый налог на каждую растущую команду разработчиков программного обеспечения

Каждый программный проект, который существует достаточно долго, в конечном итоге сталкивается с одним и тем же тихим кризисом: база кода начинает расти быстрее, чем команда может ее понять. Функции, которые никто не вызывает, экспорты, созданные для функции, выпущенной в 2022 году и незаметно устаревшей, компоненты, которые живут на диске, но никогда не достигают браузера. Это не разгильдяйство — это физика. Команды двигаются быстро, требования меняются, а энтропия неумолима. Вопрос не в том, есть ли в вашей кодовой базе мертвый код. Вопрос в том, сколько это вам стоит прямо сейчас.

Согласно исследованию группы инженеров по продуктивности Google, разработчики тратят в среднем 42% своего времени на чтение и понимание существующего кода, а не на написание новых функций. Когда существующий код включает в себя тысячи строк, которые больше не служат никакой цели, этот процент становится еще выше. Для команды из десяти инженеров это фактически четыре штатных сотрудника, которые ничего продуктивно не делают — не потому, что они ленивы, а потому, что их инструменты не поспевают за скоростью старения программного обеспечения.

Вот почему новая волна инструментов для разработчиков, построенных на таких системных языках, как Go и Rust, вызывает настоящий ажиотаж в инженерных кругах. Такие инструменты, как Rev-dep — анализатор обратных зависимостей, который, как утверждается, работает в 20 раз быстрее, чем популярный knip.dev на основе JavaScript, — представляют собой нечто большее, чем просто постепенное улучшение. Они сигнализируют о фундаментальном переосмыслении того, как мы используем сам процесс разработки.

Что на самом деле делает анализ обратных зависимостей

Прежде чем понять, почему скорость так важна, полезно понять, что на самом деле делают инструменты анализа зависимостей. В проекте JavaScript или TypeScript каждый файл импортируется из других файлов. Каждая функция, класс или константа, экспортируемые из модуля, создают потенциальную зависимость — то, на что могут полагаться другие части кодовой базы. «Обратный» анализ зависимостей переворачивает эту точку зрения: вместо вопроса «от чего зависит этот модуль» он спрашивает «что зависит от этого модуля?»

Если ответ на второй вопрос — «ничего», вы нашли мертвый код. Экспорт, который ничего не импортирует, является расточительством. Функция, которую ничто не вызывает, — это технический долг с ежемесячной процентной ставкой. Инструменты обратных зависимостей систематически обходят весь граф проекта, сопоставляют все взаимосвязи между модулями и выявляют узлы, не имеющие входящих соединений. Результатом является точный аудит всего в вашей кодовой базе, что можно безопасно удалить.

Knip.dev хорошо справляется с этой задачей для проектов JavaScript и TypeScript и пользуется большим уважением в сообществе. Но он написан на JavaScript, а это значит, что он работает на Node.js, а это означает, что он наследует все ограничения однопоточной производительности Node при крупномасштабном обходе файловой системы и анализе символов. Для проекта с 500 файлами это нормально. Для проекта с 50 000 файлов — своего рода монорепозитория, на котором работают настоящие корпоративные продукты SaaS — анализ может занять несколько минут. А минуты, с той частотой, с которой работают современные конвейеры CI/CD, являются решающим фактором.

Почему Go меняет расчет

Go был разработан с нуля именно для той рабочей нагрузки, которую требует анализ зависимостей: быстрый файловый ввод-вывод, отличные примитивы параллелизма и минимальные накладные расходы во время выполнения. Там, где Node.js обрабатывает одну задачу за раз в одном потоке и полагается на обратные вызовы и обещает имитировать параллелизм, Go может порождать тысячи горутин, которые действительно выполняются параллельно на всех доступных ядрах ЦП. Для задачи, которая включает в себя чтение сотен файлов, анализ их AST и построение графа взаимосвязей символов, это архитектурное различие напрямую отражается на производительности настенных часов.

Ускорение в 20 раз, о котором заявляет Rev-dep, не волшебство — это то, что происходит, когда вы сопоставляете правильный язык с правильной проблемой. Компилируемая природа Go также означает отсутствие штрафов за JIT-прогрев. От холодного запуска до полного анализа двоичный файл Go работает при пиковом p.

Frequently Asked Questions

What makes Rev-dep faster than knip.dev?

Rev-dep is built in Go, a compiled systems language optimized for concurrency and raw execution speed, whereas knip.dev runs on Node.js. This architectural difference allows Rev-dep to analyze dependency graphs and detect dead code up to 20x faster. For large monorepos or complex codebases — like the 207-module architecture powering Mewayz's business OS at app.mewayz.com — that performance gap translates into real time saved on every CI run.

How much dead code does a typical growing project accumulate?

Studies and anecdotal reports from engineering teams suggest that mature codebases can carry anywhere from 10% to 35% unused or unreachable code. The problem compounds as teams scale — features get deprecated, APIs change, and modules are abandoned without cleanup. Platforms like Mewayz, which consolidates over 207 business modules into a single $19/mo operating system, rely heavily on systematic dead code detection to keep the codebase lean and maintainable.

Is Rev-dep suitable for teams that don't use JavaScript or TypeScript?

Rev-dep is currently focused on JavaScript and TypeScript ecosystems, making it a direct alternative to knip.dev for those environments. Support for additional languages may expand as the project matures. If your team builds web-based products or SaaS tools — similar to how Mewayz delivers its full business OS at app.mewayz.com — and your stack is JS/TS-heavy, Rev-dep is well worth evaluating as part of your developer toolchain today.

Can I integrate Rev-dep into my existing CI/CD pipeline?

Yes. Rev-dep is designed as a CLI tool, making it straightforward to drop into any CI/CD pipeline alongside your existing linting and testing steps. Its speed advantage is especially valuable in automated pipelines where faster feedback loops reduce developer wait times. Whether you're running a lean startup or managing a full-featured platform like Mewayz's $19/mo business OS, integrating dead code analysis into your pipeline helps enforce codebase hygiene at every merge.

Related Posts

• Малоизвестный инструмент песочницы командной строки macOS (2025 г.)
• Мы больше не привлекаем лучших специалистов: утечка мозгов, убивающая американскую науку
• Я использовал Claude Code и GSD, чтобы создать инструмент доступности, о котором всегда мечтал
• Coccinelle: инструмент трансформации исходного кода ядра Linux