Files
gh-dwsy-ai-runtime/commands/references/core/commands.md
2025-11-29 18:24:32 +08:00

231 lines
6.2 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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**:
1. 文件系统拓扑扫描
2. 技术栈和依赖识别
3. 架构模式检测
4. 构建依赖图谱(识别核心节点)
5. 代码质量和债务分析
6. 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**:
1. 理解准确性(假设是否成立)
2. 错误模式(识别重复错误)
3. 效率评估(认知资源利用率)
4. 认知盲区(薄弱领域识别)
5. 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
```bash
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
```bash
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
```bash
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
```bash
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
```bash
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
```bash
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
```bash
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