@chongyan/autospec 1.0.1 → 1.0.3

package/knowledge/guides/support/ai-anomaly-analyzer.md

@@ -1,213 +0,0 @@
----
-name: ai-anomaly-analyzer
-description: AI 分析执行过程中的异常模式
-type: support
----
-
-## 定位
-
-实时分析执行日志，检测异常模式并生成智能建议，帮助快速定位和解决问题。
-
-## 输入
-
-- 必须输入：
-  - recentEvents: 最近 N 分钟的 trace 事件
-- 可选输入：
-  - currentStage: 当前阶段上下文
-  - historicalPatterns: 历史异常模式
-
-## 输出
-
-```json
-{
-  "anomalies": [
-    {
-      "type": "repeated_failures",
-      "severity": "high",
-      "pattern": "Layer1 测试连续失败 3 次",
-      "rootCause": "测试依赖的服务未启动",
-      "evidence": [
-        "Error: Connection refused to localhost:5432",
-        "所有失败都与数据库连接相关"
-      ],
-      "suggestion": "检查数据库服务是否启动，或配置 mock 服务",
-      "autoFixAvailable": false
-    }
-  ],
-  "summary": {
-    "totalAnomalies": 2,
-    "highSeverity": 1,
-    "mediumSeverity": 1,
-    "lowSeverity": 0
-  },
-  "recommendations": [
-    {
-      "priority": "immediate",
-      "action": "启动数据库服务或配置 mock",
-      "reason": "阻塞当前阶段进展"
-    }
-  ]
-}
-```
-
-## 异常模式类型
-
-### 1. 重复失败模式 (repeated_failures)
-
-**检测条件**：同一类型操作连续失败 >= 3 次
-
-**分析维度**：
-- 失败类型分布
-- 失败时间窗口
-- 共同错误特征
-
-**根因分析**：
-| 失败类型 | 可能根因 |
-|---------|---------|
-| 测试失败 | 依赖服务不可用、代码缺陷 |
-| 构建失败 | 依赖缺失、语法错误 |
-| Lint 失败 | 代码风格问题 |
-
-### 2. 长时间无产出 (no_artifact)
-
-**检测条件**：超过阈值时间（默认 10 分钟）无关键产物生成
-
-**分析维度**：
-- 当前阶段预期产物
-- 最近操作类型
-- 是否卡在某个步骤
-
-**建议**：
-- 检查是否需要人工决策
-- 检查是否有阻塞的操作
-
-### 3. 回退循环 (rollback_loop)
-
-**检测条件**：短时间内回退次数 >= 5 次
-
-**分析维度**：
-- 回退原因分布
-- 回退阶段分布
-- 是否在同一问题循环
-
-**建议**：
-- 可能需要升级人工
-- 可能需要重新设计方案
-
-### 4. 资源异常 (resource_anomaly)
-
-**检测条件**：Token 使用量异常高或操作频率异常
-
-**分析维度**：
-- Token 消耗趋势
-- 操作频率趋势
-- 是否存在无限循环
-
-### 5. 决策异常 (decision_anomaly)
-
-**检测条件**：人工介入率异常高或自动决策失败率高
-
-**分析维度**：
-- 决策类型分布
-- 人工介入原因
-- 自动决策失败原因
-
-## 严重程度定义
-
-| 级别 | 说明 | 响应要求 |
-|-----|------|---------|
-| **high** | 阻塞进度，需要立即处理 | 立即告警 |
-| **medium** | 影响效率，建议处理 | 记录并建议 |
-| **low** | 轻微问题，可忽略 | 仅记录 |
-
-## 执行步骤
-
-### Step 1: 收集最近事件
-
-```
-1. 获取最近 N 分钟（默认 5 分钟）的 trace 事件
-2. 过滤出关键事件类型
-3. 按时间排序
-```
-
-### Step 2: 检测重复失败
-
-```
-1. 统计各类型失败次数
-2. 分析失败时间窗口
-3. 提取共同错误特征
-4. 推断根因
-```
-
-### Step 3: 检测无产出
-
-```
-1. 确定当前阶段预期产物
-2. 检查最近产物生成时间
-3. 判断是否超时
-```
-
-### Step 4: 检测回退循环
-
-```
-1. 统计回退次数
-2. 分析回退原因
-3. 检测是否循环
-```
-
-### Step 5: 检测资源异常
-
-```
-1. 分析 Token 消耗
-2. 分析操作频率
-3. 检测异常模式
-```
-
-### Step 6: 生成报告
-
-```
-1. 汇总异常列表
-2. 按严重程度排序
-3. 生成建议
-```
-
-## 与实时预警的集成
-
-通过 Hook 触发，实时检测异常：
-
-```javascript
-// 在 pipeline-observer.js 中调用
-const anomalies = await analyzeAnomalies(recentEvents, currentStage);
-
-if (anomalies.some(a => a.severity === 'high')) {
-  // 立即输出告警
-  outputAlert(anomalies);
-}
-```
-
-## 自动修复建议
-
-对于可自动修复的问题，提供自动修复选项：
-
-| 异常类型 | 自动修复方式 |
-|---------|------------|
-| 依赖缺失 | 自动安装 |
-| 配置错误 | 自动修正 |
-| 代码风格 | 自动格式化 |
-
-## 反模式清单 (DP7)
-
-1. **过度告警**：对轻微问题也告警
-   - 检测：只有 high 级别才告警
-
-2. **误报**：将正常操作报告为异常
-   - 检测：验证异常的真实性
-
-3. **建议不可执行**：建议过于笼统
-   - 检测：每个建议必须具体可执行
-
-## 适用场景
-
-- 实时监控（通过 Hook）
-- 阶段完成检查
-- 手动执行 `/autospec:status --analyze`

package/knowledge/guides/support/ai-artifact-evaluator.md

@@ -1,192 +0,0 @@
----
-name: ai-artifact-evaluator
-description: AI 评估产出物质量，生成结构化评分和改进建议
-type: review
----
-
-## 定位
-
-对各类产出物进行深度质量评估，补充自动化检查无法覆盖的质量判断。
-
-## 与现有技能的关系
-
-- **复用**：consistency-checker.md 的六维检测能力
-- **增强**：新增结构化评分输出
-- **新增**：下游反馈追踪机制
-
-## 输入
-
-- 必须输入：
-  - artifactPath: 产出物路径
-  - artifactType: 产出物类型 (REQUIREMENT | DESIGN | CODE | REVIEW | TEST)
-- 可选输入：
-  - context: 相关上下文（上游产物、历史案例）
-  - evalConfig: 评测配置
-
-## 评估维度
-
-### 需求文档 (REQUIREMENT)
-
-| 维度 | 权重 | 评估要点 |
-|-----|------|---------|
-| 清晰度 | 30% | 需求描述是否明确无歧义 |
-| 完整性 | 25% | 是否覆盖所有业务场景 |
-| 可测试性 | 25% | 验收标准是否可转化为测试 |
-| 边界覆盖 | 20% | 是否考虑异常场景 |
-
-### 设计文档 (DESIGN)
-
-| 维度 | 权重 | 评估要点 |
-|-----|------|---------|
-| 合理性 | 30% | 架构设计是否合理 |
-| 覆盖度 | 25% | 是否覆盖所有需求点 |
-| 可实现性 | 25% | 技术方案是否可行 |
-| 接口完整性 | 20% | API 定义是否完整 |
-
-### 代码审查报告 (REVIEW)
-
-| 维度 | 权重 | 评估要点 |
-|-----|------|---------|
-| 问题真实性 | 35% | 发现的问题是否真实存在 |
-| 建议可执行性 | 30% | 修复建议是否具体可行 |
-| 覆盖全面性 | 20% | 是否覆盖关键模块 |
-| 深度 | 15% | 分析是否深入 |
-
-## 输出格式
-
-```json
-{
-  "score": 85,
-  "grade": "B",
-  "dimensions": {
-    "clarity": {
-      "score": 90,
-      "issues": [],
-      "strengths": ["需求描述清晰", "验收标准明确"]
-    },
-    "completeness": {
-      "score": 80,
-      "issues": ["缺少异常场景描述"],
-      "strengths": ["覆盖主要业务流程"]
-    }
-  },
-  "improvements": [
-    {
-      "priority": "high",
-      "area": "completeness",
-      "suggestion": "补充异常场景处理：用户取消操作、网络超时等",
-      "example": "建议添加：当用户取消支付时，系统应..."
-    }
-  ],
-  "comparisonWithHistory": {
-    "betterThan": 0.75,
-    "comment": "质量优于 75% 的历史同类产出物"
-  },
-  "confidence": 0.85
-}
-```
-
-## 执行步骤
-
-### Step 1: 读取产出物
-
-```
-1. 读取指定路径的产出物内容
-2. 识别产出物类型
-3. 加载对应的评估维度配置
-```
-
-### Step 2: 读取上下文
-
-```
-1. 如果是设计文档，读取对应的需求文档作为上下文
-2. 如果是审查报告，读取被审查的代码/文档
-3. 加载历史优秀案例（如有）
-```
-
-### Step 3: 分维度评估
-
-```
-对每个评估维度：
-1. 分析产出物在该维度的表现
-2. 识别具体问题和优点
-3. 给出 0-100 的评分
-4. 记录评估依据
-```
-
-### Step 4: 计算综合评分
-
-```
-1. 按权重计算各维度得分
-2. 汇总为综合评分
-3. 确定等级 (A/B/C/D/F)
-```
-
-### Step 5: 生成改进建议
-
-```
-1. 按优先级排序改进建议
-2. 每个建议包含：
-   - 优先级
-   - 改进领域
-   - 具体建议
-   - 示例（如适用）
-```
-
-### Step 6: 输出结果
-
-```
-1. 输出结构化 JSON 结果
-2. 将结果写入 metrics.json
-```
-
-## 反模式清单 (DP7)
-
-1. **无依据评分**：没有具体分析就给出分数
-   - 检测：每个评分必须有 issues 或 strengths 支撑
-
-2. **过于宽松**：所有评分都很高，没有改进空间
-   - 检测：必须有至少一个改进建议
-
-3. **建议不可执行**：建议过于笼统
-   - 检测：每个建议必须有具体的改进方向
-
-4. **忽略上下文**：评估设计时不考虑需求
-   - 检测：必须引用上游产物进行覆盖度分析
-
-## 采样策略
-
-| 场景 | 执行策略 |
-|-----|---------|
-| 首次生成 | 必评（建立基线） |
-| 后续生成 | 30% 采样 |
-| 低分产物 (<70) | 100% 重评 |
-| 人工标记 | 100% 评估 |
-
-## 与 metrics.json 的集成
-
-评估完成后，更新 metrics.json：
-
-```json
-{
-  "artifacts": {
-    "requirement.md": {
-      "evaluations": {
-        "quality": {
-          "score": 85,
-          "grade": "B",
-          "dimensions": {...},
-          "improvements": [...],
-          "evaluatedAt": "2026-03-24T10:00:00Z"
-        }
-      }
-    }
-  }
-}
-```
-
-## 适用场景
-
-- 产出物生成后自动触发
-- 手动执行 `/autospec:evaluate`
-- 低分产出物重评

package/knowledge/guides/support/ai-capability-analyzer.md

@@ -1,193 +0,0 @@
----
-name: ai-capability-analyzer
-description: AI 分析 Claude Code 是否具备完成任务的能力
-type: support
----
-
-## 定位
-
-分析任务需求与当前环境能力的匹配度，识别潜在阻塞，提前预警。
-
-## 输入
-
-- 必须输入：
-  - taskDescription: 任务描述
-  - projectContext: 项目上下文
-- 可选输入：
-  - environmentCheck: 环境检测结果
-  - requiredCapabilities: 需要的能力列表
-
-## 输出
-
-```json
-{
-  "ready": false,
-  "overallScore": 75,
-  "blockers": [
-    {
-      "type": "knowledge",
-      "severity": "high",
-      "detail": "缺少领域知识：支付系统流程",
-      "suggestion": "导入支付系统文档到环境知识库",
-      "autoResolvable": false
-    }
-  ],
-  "warnings": [
-    {
-      "type": "tool",
-      "severity": "medium",
-      "detail": "需要数据库访问权限",
-      "suggestion": "确认数据库连接配置正确",
-      "autoResolvable": true
-    }
-  ],
-  "strengths": [
-    "项目结构清晰",
-    "测试框架已配置"
-  ],
-  "recommendations": [
-    "建议先导入支付系统相关文档",
-    "确认数据库连接可用后开始"
-  ]
-}
-```
-
-## 能力检查维度
-
-### 1. 文件访问能力
-
-| 检查项 | 说明 |
-|-------|------|
-| 必要文件存在 | 检查任务需要的文件是否存在 |
-| 读写权限 | 检查是否有必要的读写权限 |
-| 目录结构 | 检查目录结构是否符合预期 |
-
-### 2. 工具可用性
-
-| 检查项 | 说明 |
-|-------|------|
-| 构建工具 | npm/mvn/gradle 等是否可用 |
-| 测试框架 | jest/pytest 等是否配置 |
-| 代码检查 | eslint/pylint 等是否配置 |
-
-### 3. 知识访问
-
-| 检查项 | 说明 |
-|-------|------|
-| 领域知识 | 是否有相关领域的知识文档 |
-| 技术文档 | 是否有必要的技术文档 |
-| 历史案例 | 是否有类似任务的历史记录 |
-
-### 4. 环境就绪
-
-| 检查项 | 说明 |
-|-------|------|
-| 依赖安装 | 项目依赖是否已安装 |
-| 环境变量 | 必要的环境变量是否配置 |
-| 服务可用 | 必要的服务是否可访问 |
-
-## 阻塞类型定义
-
-| 类型 | 严重程度 | 是否可自动解决 |
-|-----|---------|--------------|
-| **knowledge** | high | 否，需要导入知识 |
-| **permission** | high | 否，需要用户授权 |
-| **tool** | medium | 可能，自动安装 |
-| **env** | medium | 可能，自动配置 |
-| **file** | low | 是，自动创建 |
-
-## 执行步骤
-
-### Step 1: 分析任务需求
-
-```
-1. 从任务描述提取需要的：
-   - 文件和目录
-   - 工具和框架
-   - 领域知识
-   - 环境配置
-```
-
-### Step 2: 检查文件访问
-
-```
-1. 检查必要文件是否存在
-2. 检查目录结构
-3. 识别缺失的关键文件
-```
-
-### Step 3: 检查工具可用性
-
-```
-1. 检查构建工具
-2. 检查测试框架
-3. 检查代码检查工具
-```
-
-### Step 4: 检查知识访问
-
-```
-1. 检查环境知识库
-2. 检查领域文档
-3. 识别知识缺口
-```
-
-### Step 5: 检查环境就绪
-
-```
-1. 检查依赖安装状态
-2. 检查环境变量
-3. 检查服务可用性
-```
-
-### Step 6: 生成报告
-
-```
-1. 汇总阻塞项
-2. 汇总警告项
-3. 生成建议
-4. 计算就绪分数
-```
-
-## 与启动门禁的集成
-
-在流程启动时自动调用，结果用于决定是否开始：
-
-```json
-// state.json
-{
-  "capabilityCheck": {
-    "ready": false,
-    "blockers": [...],
-    "checkedAt": "2026-03-24T10:00:00Z"
-  }
-}
-```
-
-## 自动解决机制
-
-对于可自动解决的问题，尝试自动解决：
-
-| 问题类型 | 自动解决方式 |
-|---------|------------|
-| 缺少目录 | 自动创建 |
-| 缺少配置文件 | 从模板生成 |
-| 依赖未安装 | 运行安装命令 |
-| 环境变量缺失 | 提示用户配置 |
-
-## 反模式清单 (DP7)
-
-1. **过度检查**：检查过多不必要的内容
-   - 检测：只检查任务直接相关的能力
-
-2. **假阳性**：报告不存在的问题
-   - 检测：验证每个问题的真实性
-
-3. **忽略可恢复问题**：将可解决的问题报告为阻塞
-   - 检测：区分阻塞和警告
-
-## 适用场景
-
-- 流程启动前检查
-- 环境变更后检查
-- 手动执行 `/autospec:env-validate`