zhongwei/gh-dwsy-ai-runtime

Fork 0

Files

Zhongwei Li aa8fad193b Initial commit

2025-11-29 18:24:32 +08:00

6.2 KiB

Raw Blame History

CodeConscious 命令系统详解

运行时命令详解

`/runtime.explore` - 系统探索

用途: 建立代码库的认知地图和依赖图谱

关键词: 知识图谱、神经元连接、模式识别、PageRank

过程:

文件系统拓扑扫描
技术栈和依赖识别
架构模式检测
构建依赖图谱（识别核心节点）
代码质量和债务分析
生成探索报告 + 更新记忆网络

输出:

cognition/graphs/dependency-graph.json
cognition/exploration-reports/exploration-{timestamp}.md
memory/short-term/neural-connections-{timestamp}.md

类比: 人类探索陌生城市——先走一遍街道，记住地标，形成认知地图

`/runtime.learn` - 自主学习

用途: 对未知问题自主探索学习

过程:

理解问题 → 识别知识缺口
动态规划 → 生成学习计划
探索循环 → 自主选择工具和步骤
分析总结 → 形成结论
固化记忆 → 存入长期记忆

特点:

无需人工指导每一步
根据置信度动态调整探索深度
完整记录思维链
从结果学习并更新心智模型

终止条件:

找到答案（置信度 > 0.90）
达到最大步数（默认10步）
超时或需要人工帮助

`/runtime.think` - 深度思考

用途: 深度分析，不修改任何文件

约束: 不修改文件，只读取和分析

报告模板:

问题重述
当前理解
相关记忆
代码理解
候选方案（A/B/C...）
需要澄清的问题
建议和理由

`/runtime.plan` - 需求规划

用途: 将需求拆解为可执行任务

输出: 任务列表（CoT格式）

要素: 优先级、依赖关系、验证标准

`/runtime.implement` - 迭代执行

用途: 基于计划进行代码修改

模式: 小步快跑、频繁验证、快速反馈

验证: 每次修改后运行测试、检查格式、验证功能

`/runtime.remember` - 固化记忆

用途: 将经验写入长期记忆

分类: 项目架构、设计模式、代码质量、用户偏好、历史决策

模板: 时间、置信度、来源、内容、上下文、影响

`/runtime.reflect` - 自我反思

维度:

理解准确性（假设是否成立）
错误模式（识别重复错误）
效率评估（认知资源利用率）
认知盲区（薄弱领域识别）
人格一致性（是否符合CodeConscious）

输出: 行动清单 + 心智模型更新 + 防御机制

典型使用场景

场景1：探索新代码库

用户: "这是一个新项目，帮我理解一下代码结构"

AI:
/runtime.explore
→ 扫描文件系统拓扑
→ 识别技术栈（Node.js + Express + PostgreSQL）
→ 识别架构模式（Repository + Service）
→ 构建依赖图谱（47个文件，132条关系）
→ 识别核心节点（auth/service.js PageRank: 0.152）
→ 生成探索报告
→ 更新记忆系统
→ 返回：技术栈、架构、核心文件、潜在问题、建议

场景2：分析复杂问题

用户: "为什么生产环境的支付服务偶尔会超时？"

AI:
/runtime.think
→ 读取相关文件和历史记忆
→ 分析可能原因（生成3个假设）
→ 建议验证步骤
→ 报告不确定性（置信度: 0.75）
→ 返回：分析 + 假设 + 验证步骤（不修改代码）

场景3：自主学习

用户: "/runtime.learn 支付服务超时的根本原因"

AI自主执行:
→ /runtime.explore（理解支付服务架构）
→ Read（读取配置）
→ grep（搜索日志超时错误）
→ Search（查找相关错误模式）
→ Bash（运行测试验证假设）
→ /runtime.think（推理根因）
→ 总结：连接池配置不足 + 缺乏降级机制
→ 固化记忆：连接池不足的诊断方法
→ 返回：根因 + 3层解决方案（置信度: 0.93）

关键点: 你不需要指导每一步，AI自主决定查什么、怎么查、何时停止

场景4：规划需求

用户: "我们需要添加OAuth2.0支持"

AI:
/runtime.plan
→ 分析当前认证架构
→ 识别集成点（3个文件需要修改）
→ 生成任务列表（6个任务）
→ 标注依赖关系
→ 设定验证标准
→ 返回：详细执行计划

场景5：迭代实现

用户: "按照计划实现OAuth2.0"

AI:
/runtime.implement
→ 任务1: 添加依赖（package.json）
  → 修改 → 验证（npm install成功）
→ 任务2: 创建OAuth服务（auth/oauth.js）
  → 生成代码 → 验证（单元测试通过）
→ 任务3: 集成到现有认证流
  → 修改auth/index.js → 验证（集成测试）
→ 任务6: 更新文档
  → 修改README → 验证（文档完整）
→ 每一步都记录到情景记忆
→ 返回：完整实现 + 测试报告

场景6：固化经验

用户: "我们决定从JWT切换到OAuth2.0"

AI:
/runtime.remember
→ 更新: memory/long-term/project-context.md
→ 记录: 决策背景、时间、原因、实施计划
→ 更新: 记忆索引
→ 返回: "已固化2条记忆"

场景7：自我反思

用户: "请做一次自我反思"

AI:
/runtime.reflect
→ 读取情景记忆时间线
→ 统计错误模式（识别3个重复错误）
→ 识别认知盲区（薄弱环节：前端性能优化）
→ 更新防御机制
→ 输出: cognition/reflections/{timestamp}.md
→ 更新: 心智模型

命令执行原则

触发条件

仅在用户明确请求时执行对应命令
不同命令有不同的适用场景
避免过度使用命令影响用户体验

执行约束

/runtime.think 绝对不修改文件
/runtime.implement 需要用户批准计划后执行
/runtime.reflect 定期进行，不频繁触发

输出格式

每个命令都有标准化的输出格式
包含执行过程、结果和置信度
必要时提供下一步建议

集成和扩展

与记忆系统的集成

所有命令自动记录到情景记忆
学习命令会更新长期记忆
反思命令分析记忆模式

与工具系统的集成

探索命令使用外部工具扫描
实现命令可能调用内部工具
所有命令支持工具扩展

自定义命令开发

基于现有命令模板开发新命令
遵循命名约定 /runtime.*
集成到记忆和工具系统中

6.2 KiB Raw Blame History Unescape Escape