@chongyan/autospec 1.0.2 → 1.0.3

package/knowledge/03-guides/29-generate-knowledge.md

@@ -1,234 +0,0 @@
-# 环境知识生成器
-
-## 功能
-
-根据检测到的中间件/组件，生成完整的环境知识配置。包括连接配置模板、最佳实践建议、反模式警告。
-
-## 触发条件
-
-- 检测到新的中间件或组件
-- 需要生成环境知识配置
-- 用户请求添加组件知识
-
-## 输入
-
-```json
-{
-  "middleware": {
-    "name": "mysql",
-    "type": "relational-database",
-    "detectedFrom": "依赖检测",
-    "usagePatterns": ["检测到的使用模式"]
-  },
-  "projectContext": {
-    "language": "python",
-    "framework": "FastAPI",
-    "existingKnowledge": "已有的环境知识"
-  }
-}
-```
-
-## 输出
-
-```yaml
-# 环境知识 YAML
-middleware:
-  mysql:
-    type: relational-database
-    description: MySQL 数据库
-    connection:
-      host: ${MYSQL_HOST}
-      port: ${MYSQL_PORT:-3306}
-      database: ${MYSQL_DATABASE}
-      user: ${MYSQL_USER}
-      password: ${MYSQL_PASSWORD}
-    codeExamples:
-      python: |
-        import pymysql
-        connection = pymysql.connect(
-            host='${MYSQL_HOST}',
-            port=3306,
-            database='${MYSQL_DATABASE}',
-            user='${MYSQL_USER}',
-            password='${MYSQL_PASSWORD}'
-        )
-    bestPractices:
-      - 使用连接池管理连接
-      - 敏感信息使用环境变量
-      - 定期备份
-    antiPatterns:
-      - 不要在代码中硬编码密码
-      - 不要使用 root 用户连接
-    envVariables:
-      - name: MYSQL_HOST
-        required: true
-        description: MySQL 服务器地址
-      - name: MYSQL_PORT
-        required: false
-        default: "3306"
-        description: MySQL 端口
-```
-
-## 执行步骤
-
-1. **分析中间件类型**
-   - 根据名称和依赖推断类型
-   - 确定连接配置模板
-
-2. **生成连接配置**
-   - 根据中间件类型选择模板
-   - 使用环境变量占位符
-
-3. **生成代码示例**
-   - 根据项目语言选择示例
-   - 包含最佳实践代码
-
-4. **添加最佳实践**
-   - 从知识库检索相关实践
-   - 结合项目上下文调整
-
-5. **添加反模式警告**
-   - 常见错误模式
-   - 安全注意事项
-
-## 中间件类型模板
-
-### relational-database (MySQL, PostgreSQL, etc.)
-
-```yaml
-connection:
-  host: ${NAME_HOST}
-  port: ${NAME_PORT:-3306}
-  database: ${NAME_DATABASE}
-  user: ${NAME_USER}
-  password: ${NAME_PASSWORD}
-```
-
-### cache (Redis, Memcached, etc.)
-
-```yaml
-connection:
-  host: ${NAME_HOST}
-  port: ${NAME_PORT:-6379}
-  password: ${NAME_PASSWORD}
-  db: ${NAME_DB:-0}
-```
-
-### queue (Kafka, RabbitMQ, etc.)
-
-```yaml
-connection:
-  brokers: ${NAME_BROKERS}
-  topic: ${NAME_TOPIC}
-  groupId: ${NAME_GROUP_ID}
-```
-
-### vector-store (ChromaDB, Pinecone, etc.)
-
-```yaml
-connection:
-  host: ${NAME_HOST}
-  port: ${NAME_PORT}
-  apiKey: ${NAME_API_KEY}
-  collection: ${NAME_COLLECTION}
-```
-
-## 最佳实践模板
-
-### 数据库
-
-- 使用连接池
-- 配置合理的超时
-- 启用 SSL 连接
-- 定期备份
-
-### 缓存
-
-- 设置合理的过期时间
-- 使用序列化
-- 监控命中率
-
-### 消息队列
-
-- 配置重试策略
-- 处理死信队列
-- 监控积压
-
-### 向量存储
-
-- 选择合适的索引类型
-- 配置合理的 chunk 大小
-- 监控查询延迟
-
-## 反模式模板
-
-### 通用
-
-- 硬编码敏感信息
-- 使用默认凭据
-- 忽略错误处理
-
-### 数据库
-
-- N+1 查询
-- 缺少索引
-- 大事务
-
-### 缓存
-
-- 缓存穿透
-- 缓存雪崩
-- 热点 Key
-
-## 示例
-
-### 输入
-
-```json
-{
-  "middleware": {
-    "name": "redis",
-    "type": "cache"
-  },
-  "projectContext": {
-    "language": "python",
-    "framework": "FastAPI"
-  }
-}
-```
-
-### 输出
-
-```yaml
-middleware:
-  redis:
-    type: cache
-    description: Redis 缓存
-    connection:
-      host: ${REDIS_HOST}
-      port: ${REDIS_PORT:-6379}
-      password: ${REDIS_PASSWORD}
-      db: ${REDIS_DB:-0}
-    codeExamples:
-      python: |
-        import redis
-        client = redis.Redis(
-            host='${REDIS_HOST}',
-            port=6379,
-            password='${REDIS_PASSWORD}',
-            db=0
-        )
-    bestPractices:
-      - 使用连接池
-      - 设置合理的过期时间
-      - 使用序列化存储对象
-    antiPatterns:
-      - 不要存储大对象
-      - 不要使用 KEYS 命令
-      - 不要忽略缓存失效
-    envVariables:
-      - name: REDIS_HOST
-        required: true
-      - name: REDIS_PASSWORD
-        required: false
-```

package/knowledge/03-guides/30-analyze-ai-capability.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`

package/knowledge/03-guides/31-analyze-ai-component.md

@@ -1,169 +0,0 @@
-# AI 组件分析器
-
-## 功能
-
-检测项目中的 AI/ML 组件，包括模型训练、LLM 应用、Agent 框架、向量存储等。对于配置规则中未定义的组件，使用 AI 进行智能识别。
-
-## 触发条件
-
-- 检测到 AI 相关依赖但未在规则中定义
-- 需要识别 RAG 架构组合
-- 需要判断项目是否需要效果评测
-
-## 输入
-
-```json
-{
-  "projectDir": "项目根目录",
-  "dependencies": ["依赖列表"],
-  "codeFiles": [
-    {
-      "path": "文件路径",
-      "patterns": ["检测到的代码模式"]
-    }
-  ],
-  "directoryStructure": "目录结构概览",
-  "unknownDeps": ["未识别的 AI 相关依赖"]
-}
-```
-
-## 输出
-
-```json
-{
-  "components": [
-    {
-      "name": "组件名称",
-      "type": "model-training/llm-application/agent-framework/vector-store/rag-application",
-      "needsEvaluation": true,
-      "confidence": "high/medium/low",
-      "evidence": "判断依据"
-    }
-  ],
-  "ragDetected": {
-    "hasVectorStore": true,
-    "hasLLM": true,
-    "isRAG": true
-  },
-  "evaluationRequired": true,
-  "suggestions": [
-    {
-      "component": "组件名",
-      "recommendation": "建议"
-    }
-  ]
-}
-```
-
-## 执行步骤
-
-1. **分析依赖**
-   - 识别已知的 AI/ML 框架
-   - 分析未知的 AI 相关依赖名称
-
-2. **代码模式分析**
-   - 扫描代码中的 AI 相关模式：
-     - `import torch` / `from transformers import`
-     - `ChatOpenAI` / `Anthropic` / `LangChain`
-     - `FAISS` / `ChromaDB` / `Pinecone`
-   - 识别 Agent 模式：`Agent`、`Tool`、`Chain`
-
-3. **RAG 架构识别**
-   - 检测向量存储依赖
-   - 检测 LLM 依赖
-   - 判断是否为 RAG 应用
-
-4. **评测需求判断**
-   - 模型训练项目需要评测
-   - LLM 应用需要效果评测
-   - Agent 框架需要行为评测
-
-5. **生成分析报告**
-   - 汇总所有 AI 组件
-   - 标注评测需求
-   - 提供配置更新建议
-
-## AI 组件类型
-
-| 类型 | 关键依赖 | 需要评测 |
-|------|---------|---------|
-| model-training | torch, tensorflow, jax | 是 |
-| inference-service | vllm, tgi, triton | 是 |
-| llm-application | langchain, openai, anthropic | 是 |
-| agent-framework | crewai, autogen, metagpt | 是 |
-| vector-store | faiss, chromadb, pinecone | 否 |
-| rag-application | vector-store + llm | 是 |
-| evaluation | mlflow, wandb, evaluate | 否 |
-
-## 规则
-
-1. **组合检测优先**
-   - RAG 应用需要同时有向量存储和 LLM
-   - Agent 需要有 LLM + 工具调用
-
-2. **评测需求判断**
-   - 涉及模型输出的组件需要评测
-   - 纯向量存储不需要评测
-
-3. **置信度评估**
-   - high: 配置规则匹配
-   - medium: 代码模式匹配
-   - low: 仅依赖名称推测
-
-## 示例
-
-### 输入
-
-```json
-{
-  "dependencies": ["langchain", "openai", "chromadb", "tiktoken"],
-  "codeFiles": [
-    {
-      "path": "src/rag.py",
-      "patterns": ["Chroma.from_documents", "ChatOpenAI"]
-    }
-  ]
-}
-```
-
-### 输出
-
-```json
-{
-  "components": [
-    {
-      "name": "LLM应用",
-      "type": "llm-application",
-      "needsEvaluation": true,
-      "confidence": "high",
-      "evidence": "检测到 langchain 和 openai 依赖"
-    },
-    {
-      "name": "向量存储",
-      "type": "vector-store",
-      "needsEvaluation": false,
-      "confidence": "high",
-      "evidence": "检测到 chromadb 依赖"
-    },
-    {
-      "name": "RAG应用",
-      "type": "rag-application",
-      "needsEvaluation": true,
-      "confidence": "high",
-      "evidence": "同时检测到向量存储和 LLM，代码中有 RAG 模式"
-    }
-  ],
-  "ragDetected": {
-    "hasVectorStore": true,
-    "hasLLM": true,
-    "isRAG": true
-  },
-  "evaluationRequired": true,
-  "suggestions": [
-    {
-      "component": "rag-application",
-      "recommendation": "建议创建评测数据集测试检索和生成质量"
-    }
-  ]
-}
-```