@coreyuan/vector-mind 1.0.39 → 1.0.42

package/README.md

@@ -1,343 +1,361 @@
-# VectorMind MCP（Requirement-Driven）
-
-VectorMind 是一个 **“以需求为核心”的 MCP 上下文记忆工具**：把每一次代码修改都绑定到一个明确的需求意图（Intent），让你在和 AI 反复对话、切换会话、隔天继续时，**不再靠 AI 盲猜“为什么改这段代码”**。
-
-## 它解决什么问题
-
-- **AI 经常丢上下文**：隔一段时间/换个会话，AI 不知道当前在做哪个需求、改动做到哪一步。
-- **改动没有“为什么”**：Git 记录了“改了什么”，但很少记录“为什么这么改/当时的目标是什么”。
-- **代码库定位靠猜**：想找某个类/函数在哪里，AI 容易给出错误路径或过时结论。
-
-VectorMind 通过本地文件监听 + SQLite 关系记忆，把“需求 → 改动意图 → 文件/符号索引”串起来，帮助 AI **恢复进度、追溯意图、快速定位代码**。
-
-## 关键能力（What you get）
-
-- **需求追踪（requirements）**：在写代码前创建/激活一个需求，明确目标与业务背景。
-- **改动意图归档（change_logs）**：每次保存后把“改动意图 + 影响文件”写入数据库，并关联到当前激活需求。
-- **符号索引（symbols）**：实时维护类/函数/类型等符号表，用于快速 query 定位定义位置。
-- **项目总结 & 笔记（memory_items）**：把“项目总结/关键决策/约束/待办”等上下文以结构化条目持久化到本地。
-- **代码片段 & 文档分块索引（memory_items）**：监听文件变更，把代码/文档切成可检索的 chunk 存入本地。
-- **上下文检索（semantic_search）**：默认使用本地 SQLite FTS 做召回（无需模型）；可选开启 embeddings，用向量相似度增强语义召回。
-- **会话恢复（brain dump）**：新会话开始时一键拉取最近需求与对应的改动意图，AI 直接接着做。
-- **紧凑输出 & token 计量**：`bootstrap_context/get_brain_dump/semantic_search/grep/list_project_files/read_file_*` 等高频工具默认返回 compact 文本，避免把大段 JSON/规则/文件包装字段塞进上下文；需要结构化数据时显式传 `format:"json"`。服务端会记录 raw-vs-compact 估算 token，可用 `get_token_savings` 查看节省。
-- **RTK 集成提示**：`detect_rtk` 可检测本机是否安装并用 `rtk gain` 验证 [rtk](https://github.com/rtk-ai/rtk)。若可用，AI 执行 shell 命令时应优先使用 `rtk git status`、`rtk npm run build`、`rtk rg ...` 等紧凑命令，进一步压缩命令输出。若未安装，可用 `install_rtk` 生成/执行安装计划（默认 dry-run，不静默改全局环境）。
-
-## 工作流（强烈推荐）
-
-1) **新会话开始**：AI 先调用 `bootstrap_context({ query: 当前目标 })`（或 `get_brain_dump()`）恢复上下文并做一次语义召回  
-2) **准备开始写代码前**：AI 调用 `start_requirement(title, background)`  
-3) **每次改完并保存后**：AI 调用 `get_pending_changes()` 查看待同步文件，再调用 `sync_change_intent(intent, files)`（可省略 files 让服务端自动关联所有 pending）  
-4) **阶段性收口**（重要）：AI 在对话里写好总结，然后调用 `upsert_project_summary(summary)`/`add_note(...)` 持久化  
-5) **需求完成时**：AI 调用 `complete_requirement()` 把需求标记为 `completed`（避免一直显示“处理中”）  
-5) **需要找代码定义时**：AI 调用 `query_codebase(query)`（不要靠猜）  
-6) **需要按语义找上下文/代码/文档时**：AI 调用 `semantic_search(query, ...)`（不要靠猜）
-7) **需要跑 shell 命令时**：先用 `detect_rtk()` 检查；如 `gain_ok=true`，优先给命令加 `rtk` 前缀以减少原始命令输出 tokens。若用户明确要求安装，再用 `install_rtk({ dry_run:true })` 展示计划，确认后才 `dry_run:false` 执行。
-
-> 本 MCP Server 会在初始化时下发 `instructions`，提示 AI 按以上流程调用工具（避免盲猜）。
-> 这些 `instructions` 是**随包内置**的：只要用户安装并连接这个 MCP，就会自动拿到这层基础提示词；**不需要**他们再去写本地 config / policy 文件。
-
-## MCP Tools
-
-> 提示：所有 tools 都支持可选参数 `project_root?: string`。当你的 MCP Client 无法提供正确的 workspace root（例如 Codex VS Code 插件 cwd/roots 不可靠）时，**务必显式传入**。  
-> `project_root` 既可以是目录，也可以是某个文件路径/`file://` URI（服务端会向上查找 `.git/`、`package.json`、`pyproject.toml` 等标记来推断项目根目录）。
-
-### `start_requirement`
-- 入参：`{ title: string, background?: string, close_previous?: boolean }`
-- 用途：创建并激活一个需求（后续改动意图会自动关联到最新 `active` 需求）
-- 说明：默认 `close_previous=true`，会把之前所有 `active` 需求标记为 `completed`（符合“单一 active 需求”的工作流）
-
-### `complete_requirement`
-- 入参：`{ req_id?: number, all_active?: boolean }`
-- 用途：把某个需求（或当前 active 需求）标记为 `completed`，避免一直显示“处理中”
-
-### `read_memory_item`
-- 入参：`{ id: number, offset?: number, limit?: number }`
-- 用途：按 `id` 读取某条 `memory_items` 的全文内容（支持 offset/limit 分段），用于“需要时再取全文”，避免 `bootstrap_context/semantic_search` 每次都带大段文本导致 tokens 暴涨
-
-### `upsert_convention`
-- 入参：`{ key: string, content: string, tags?: string[] }`
-- 用途：保存/更新“项目约定/规范”（框架选型、build 命令、产物路径、命名规则等），并在新会话通过 `bootstrap_context/get_brain_dump` 自动带出（仅 preview）
-
-> 区分：
-> - **内置全局规则**：写在 MCP 包源码里，会通过 `instructions` + `bootstrap_context/get_brain_dump` 自动下发给所有安装者
-> - **项目级规则**：通过 `upsert_convention` 保存，只对当前 `project_root` 生效
->
-> 当前包内置的全局规则包括：
-> - 写操作规则只在代码开发、文件创建、修改、删除、移动等场景中生效，不干扰模型的分析、决策、实现路径与普通非写操作流程
-> - 所有代码或文件改动仅允许在当前活跃分支中进行；禁止创建、切换或使用临时分支、临时子分支，除非用户明确要求
-> - 修改文件前必须先取得独占签出；若环境没有真实签出/签入工具，也必须按当前会话内的独占声明与释放执行，不得虚构工具调用
-> - 同一文件同一时刻只允许一个活跃线程持有签出；其他线程必须等待该文件签入后才能继续，等待期间每 10 秒检查一次状态，且不得处理其他任务或其他文件
-> - 多文件任务必须先声明全部目标文件集合，并按固定顺序依次签出；未签出的文件不得开始改动
-> - 文件签出超过 10 分钟且当前没有其他活跃线程仍在处理时，必须先确认该文件没有明显未完成编辑痕迹；确认后才可签入，否则保留签出并报告原因
-> - 若无法确认已满足规则，必须停止写入并报告，不得绕过
-> - 当用户要求执行 git 提交、创建 commit、生成提交信息或代为完成版本提交时，必须在提交前或提交说明中包含本次更改的内容描述或总结，覆盖主要改动、影响范围，以及如有必要的验证结果
-
-### `sync_change_intent`
-- 入参：`{ intent: string, files?: string[], affected_files?: string[] }`
-- 用途：把“这次改动的意图摘要”写入 `change_logs`，并与当前激活需求关联  
-- 说明：如果不传 `files`，服务端会自动把“最近未同步的文件变更（pending）”关联到本次意图；如果没有激活需求，会返回错误并提示先 `start_requirement`
-
-### `get_brain_dump`
-- 入参：`{ format?: "compact"|"json", requirements_limit?: number, changes_limit?: number, notes_limit?: number, preview_chars?: number, include_content?: boolean, pending_offset?: number, pending_limit?: number }`
-- 用途：返回最近需求/改动意图 + 项目总结/笔记 + pending changes（用于会话恢复）
-- 说明：默认 `format="compact"`，返回短文本摘要；需要完整结构时传 `format="json"`。默认仅返回少量最近需求/笔记，且 `conventions_limit=0`，避免每次会话把全部内置规则塞进上下文。需要更长正文时，优先用 `read_memory_item` 按需取全文（分段），而不是在这里开全量 `include_content`
-
-### `bootstrap_context`
-- 入参：`{ query?: string, format?: "compact"|"json", top_k?: number, kinds?: string[], include_content?: boolean, preview_chars?: number, content_max_chars?: number, requirements_limit?: number, changes_limit?: number, notes_limit?: number, pending_offset?: number, pending_limit?: number }`
-- 用途：返回 brain dump + pending changes；如果传入 `query`，会额外返回本地记忆库的检索结果（推荐新会话开始就用它）
-- 说明：
-  - 为避免某些客户端（如 Claude Code）因 tool output 过大报错，`pending_changes` 默认会分页返回；可用 `pending_offset/pending_limit` 翻页。
-  - 默认输出为 **compact 文本**（短摘要 + 需要继续读取的提示）。需要机器可解析结构时传 `format="json"`。
-  - 默认 `top_k=3`、`preview_chars=120`、`pending_limit=10`、`conventions_limit=0`，以降低新会话启动 token；如果确实需要规则预览，可显式传 `conventions_limit`。
-  - 需要全文时：优先用 `read_memory_item` 按需取（分段），而不是在这里打开 `include_content`
-
-### `detect_rtk`
-- 入参：`{}`
-- 用途：检测本机 PATH 上是否有 `rtk`，并用 `rtk gain` 验证它是 rtk-ai/rtk 的 Rust Token Killer，而不是同名其他项目。
-- 说明：如果可用，shell 命令建议使用 `rtk` 前缀（例如 `rtk git status`、`rtk npm run build`、`rtk rg "foo" .`），让命令输出在进入 LLM 上下文前先被过滤压缩。
-
-### `install_rtk`
-- 入参：`{ dry_run?: boolean, method?: "auto"|"cargo"|"brew"|"shell_script", init?: "none"|"global_no_patch"|"global_auto_patch"|"global_hook_only"|"local", uninstall_wrong_cargo_rtk?: boolean, timeout_ms?: number }`
-- 用途：在检测不到 rtk-ai/rtk 时安装 RTK。默认 `dry_run=true`，只返回计划命令，不执行安装。
-- 说明：
-  - 默认 `method="auto"`：macOS 且有 Homebrew 时用 `brew install rtk`；否则优先 `cargo install --git https://github.com/rtk-ai/rtk`；Linux/macOS 可退到官方 shell installer；Windows 默认建议/使用 Cargo。
-  - 默认 `init="none"` 只安装二进制，不修改 Claude hook/settings。只有显式传 `global_*` 或 `local` 时才运行 `rtk init`。
-  - 如果已有 `rtk --version` 但 `rtk gain` 失败，可能是同名错误项目；只有确认安全后才传 `uninstall_wrong_cargo_rtk=true`。
-
-### `get_token_savings`
-- 入参：`{ limit?: number, format?: "compact"|"json" }`
-- 用途：查看 VectorMind MCP compact 输出相对完整 JSON 输出的估算 token 节省。
-- 说明：token 估算采用约 `ceil(chars / 4)`，用于趋势/对比，不替代模型真实 tokenizer。
-
-### `get_pending_changes`
-- 入参：`{ offset?: number, limit?: number }`
-- 用途：返回本地“已发生变更但尚未被 sync_change_intent 确认”的文件列表（便于 AI 不漏同步）
-
-### `grep`
-- 入参：`{ query: string, format?: "compact"|"json", mode?: "regex"|"literal", smart_case?: boolean, case_sensitive?: boolean, literal_hint?: string, kinds?: string[], include_paths?: string[], exclude_paths?: string[], max_results?: number, max_candidates?: number }`
-- 用途：优先使用 `ripgrep` 对真实项目文件做全文匹配，返回精确 `file_path + line + col`；会自动避开内置忽略目录和典型构建噪音；只有在本机找不到可执行 `rg` 时，才回退到索引搜索
-- 说明：
-  - 默认 `format="compact"`，按 `file:line:col` 输出短列表；需要完整 `matches` 对象、`rg_command` 或回退细节时传 `format:"json"`
-  - 默认 `mode="regex"`（更接近 ripgrep 行为）；如果你要纯文本查找，传 `mode="literal"`
-  - 默认 `smart_case=true`：未显式传 `case_sensitive` 时，“包含大写则大小写敏感，否则不敏感”（类似 `rg -S`）
-  - `literal_hint` / `kinds` / `max_candidates` 主要是给“`ripgrep` 不可用时的索引回退”保留的兼容参数；正常 `ripgrep` 路径下通常不需要关心
-
-### `read_file_lines`
-- 入参：`{ path: string, format?: "compact"|"json", from_line?: number, to_line?: number, total_count?: number, max_lines?: number, max_chars?: number }`
-- 用途：按行读取文件片段（带硬限制避免 tokens 爆炸），用于替代 `Get-Content -TotalCount ...` / `head`
-- 说明：
-  - 默认 `format="compact"`，输出一行元信息 + 原文片段；需要机器可解析字段时传 `format:"json"`
-  - `path` 可以是相对 `project_root` 的路径，也可以是 `project_root` 下的绝对路径（越界会报错）
-  - 如果不传 `to_line`，会使用 `total_count`（默认 200）从 `from_line` 起读取
-
-### `read_file_text`
-- 入参：`{ path: string, format?: "compact"|"json", offset?: number, max_chars?: number, max_file_bytes?: number }`
-- 用途：读取 `project_root` 下的小/中等文本片段。默认 compact 输出会省掉 JSON 包装，仅保留必要元信息与正文；需要字段化结果时传 `format:"json"`。
-
-### `list_project_files`
-- 入参：`{ path?: string, format?: "compact"|"json", recursive?: boolean, max_depth?: number, include_files?: boolean, include_dirs?: boolean, include_hidden?: boolean, respect_ignore?: boolean, include_paths?: string[], exclude_paths?: string[], extensions?: string[], max_results?: number, include_stats?: boolean }`
-- 用途：忽略规则感知的项目文件列表，默认 compact 为 `f path` / `d path` 短列表；需要完整 entry metadata 时传 `format:"json"`。
-
-### `query_codebase`
-- 入参：`{ query: string, format?: "compact"|"json" }`
-- 用途：按名称/签名模糊搜索 `symbols`，默认 compact 返回 `file_path: type name — signature`；需要完整数组时传 `format:"json"`。
-
-### `upsert_project_summary`
-- 入参：`{ summary: string }`
-- 用途：保存/更新“项目级上下文总结”（由 AI 在对话里写好再保存），用于跨会话快速恢复
-- 返回：默认仅返回 `{ id, updated_at }`（避免把长总结再回传一遍增加 tokens）
-
-### `add_note`
-- 入参：`{ title?: string, content: string, tags?: string[] }`
-- 用途：保存一条“可持久化的项目笔记”（决策、约束、TODO、架构说明等）
-
-### `semantic_search`
-- 入参：`{ query: string, format?: "compact"|"json", top_k?: number, kinds?: string[], include_content?: boolean, preview_chars?: number, content_max_chars?: number }`
-- 用途：对本地记忆库进行检索（覆盖需求/意图/笔记/项目总结/代码 chunk/文档 chunk）。如启用 embeddings，会优先走向量相似度；否则使用本地 FTS/LIKE。
-- 说明：默认 compact 返回分数 + memory id + preview；需要完整 metadata 时传 `format:"json"`，需要全文仍优先用 `read_memory_item(id)` 分段读取。
-
-### `prune_index`
-- 入参：`{ dry_run?: boolean, prune_ignored_paths?: boolean, prune_minified_bundles?: boolean, max_files?: number, vacuum?: boolean }`
-- 用途：清理历史上误索引/噪音的 `code_chunk/doc_chunk` 与 `symbols`（例如构建产物目录、新增忽略规则后遗留内容）。默认 `dry_run=true` 只统计，不实际删除。
-
-## 本地数据与监听
-
-- 数据库：默认使用 MCP `roots/list` 提供的 workspace root（否则回退到 `process.cwd()`，也可用 `VECTORMIND_ROOT` 强制指定）创建 `.vectormind/vectormind.db`（默认已在 `.gitignore` 中忽略整个 `.vectormind/` 目录）
-- 监听范围：默认监听 workspace root（同上）下文件变动（默认忽略 `.git/`、`node_modules/`（含子目录）、`.vs/`、`bin/`、`obj/`、`dist/`、`build/`、`out/`、`artifacts/`、`buildFiles/`、以及 `.turbo/`、`.nx/`、`.cache/`、`.parcel-cache/` 等常见噪音目录/产物）
-- 自动清理：启动时会自动删除“已忽略目录”与常见噪音文件名（如 lockfile、`.min.js/.bundle.js/.chunk.js`）下历史遗留的 `code_chunk/doc_chunk` 与 `symbols`，避免数据库持续膨胀影响召回效果。
-- 符号抽取：目前为轻量正则抽取（非 AST 解析），支持常见语言如 TS/JS、Python、Go、Rust、C/C++
-- 检索：默认使用本地 SQLite FTS（无需模型）；当你设置 `VECTORMIND_EMBEDDINGS=on` 才会启用向量化（`@xenova/transformers`），并优先用向量相似度做语义召回（首次启用可能下载模型权重，向量与数据都在本地）
-
-> 注意：当 `root_source` 为 `fallback`（例如被 VS Code/Codex 在 `C:\Windows\System32` 启动，且 client 不支持 `roots/list`）时，为避免错误目录被大量扫描，VectorMind 会 **禁用文件监听/索引**（`watcher_enabled=false`）。此时请使用 `project_root` 绑定到正确项目。
-
-## 检索/向量化配置（可选）
-
-- `VECTORMIND_ROOT=...`：强制指定“项目根目录”（当你的 MCP Client 无法提供 workspace roots 或启动目录不对时使用）
-- `VECTORMIND_PRETTY_JSON=1`：让 tool 输出使用缩进 JSON（仅用于调试；会增加 tokens，默认不建议开启）
-- `VECTORMIND_DEBUG_LOG=1`：开启 MCP 调试活动日志（索引了什么/检索了什么/同步了什么），并提供 `get_activity_summary/get_activity_log/clear_activity_log` 工具拉取/清空日志（默认关闭）
-- `VECTORMIND_DEBUG_LOG_MAX=200`：调试日志最大保留条数（默认 200）
-- `VECTORMIND_PENDING_FLUSH_MS=200`：pending 变更写入 SQLite 的缓冲/合并间隔（单位 ms；默认 200；设为 0 表示每次事件都立刻写入）
-- `VECTORMIND_PENDING_TTL_DAYS=30`：pending 记录的自动过期天数（默认 30；设为 0 表示不过期）
-- `VECTORMIND_PENDING_MAX=5000`：pending 表最大条目数（默认 5000；超过后会删除最旧记录以避免无限膨胀）
-- `VECTORMIND_PENDING_PRUNE_EVERY=500`：每累计多少条 pending 事件触发一次 prune（默认 500；越小越及时但更频繁做清理）
-- `VECTORMIND_INDEX_MAX_CODE_BYTES=400000`：单文件最大索引字节数（代码类，默认 400KB；超过会跳过索引，避免 bundle/产物膨胀）
-- `VECTORMIND_INDEX_MAX_DOC_BYTES=600000`：单文件最大索引字节数（文档/配置类，默认 600KB；超过会跳过索引）
-- `VECTORMIND_INDEX_SKIP_MINIFIED=1`：跳过疑似 minified/bundle 的 JS/CSS（默认开启；能显著减少构建产物噪音）
-- `VECTORMIND_INDEX_AUTO_PRUNE_IGNORED=1`：启动时自动清理“已被忽略目录”下历史遗留的 chunk/symbol 索引（默认开启）
-- `VECTORMIND_EMBEDDINGS=on|off`：是否启用向量化（默认 `off`；开启后会启动本地 embedding 模型，`semantic_search` 优先走向量相似度；关闭则走本地 FTS/LIKE，不会生成向量/启动模型）
-- `VECTORMIND_EMBED_FILES=all|changed|none`：控制是否向量化“代码/文档 chunk”（默认 `all`；`none` 只影响 chunk，仍会向量化需求/意图/笔记/总结；`changed` 仅在 change/manual 时向量化 chunk）
-- `VECTORMIND_EMBED_MODEL=...`：指定 embedding 模型（默认 `Xenova/all-MiniLM-L6-v2`）
-- `VECTORMIND_EMBED_CACHE_DIR=...`：指定模型缓存目录
-- `VECTORMIND_ALLOW_REMOTE_MODELS=false`：禁止下载远端模型（适合离线环境）
-
-## 安装与运行
-
-### 本地开发运行
+# VectorMind MCP
 
-```bash
-npm install
-npm run build
-node dist/index.js
-```
+VectorMind 是一个给 AI 编程助手使用的本地项目记忆 MCP。
 
-## 发布到 NPM（建议）
+它不只是“记笔记”，而是把需求、决策、代码改动、文件变化、项目约定、代码定位、上下文恢复都串起来，让 AI 在长期开发中更稳定地理解项目。
 
-1) 修改 `package.json` 的 `name` 为你的实际包名（例如 `@coreyuan/vector-mind`）  
-2) 登录并发布：
+适合这些场景：
 
-```bash
-npm login
-npm publish
+- 一个项目要连续开发很多天。
+- 需求经常变更，旧逻辑容易被误用。
+- AI 经常忘记前面为什么这样改。
+- 换新会话后，希望 AI 能接着上次上下文继续做。
+- 想让 AI 少猜路径、少乱翻文件、少输出大量无用日志。
+
+当前版本：
+
+```text
+1.0.42
 ```
 
-> 说明：已配置 `prepublishOnly`（发布前自动 `npm run build`）与 `publishConfig.access=public`（适用于 scoped 包）。
+---
 
-## 快速测试（Smoke）
+## 它能做什么
 
-```bash
-# 只测工具/索引/同步流程（不下载 embedding 模型）
-npm run smoke
+### 1. 项目上下文恢复
+
+新会话开始时，VectorMind 可以把项目最近的状态恢复给 AI：
+
+- 当前项目总结
+- 最新决策
+- 最近需求
+- 最近改动原因
+- 待同步文件变化
+- 和当前任务相关的历史记录
+
+这样 AI 不需要只靠当前聊天窗口猜项目背景。
+
+---
+
+### 2. 需求驱动开发
+
+每个开发任务都可以先记录成一个需求。
+
+AI 在改代码前知道：
 
-# 测试向量化 + 语义检索（首次会下载本地模型权重）
-npm run smoke -- --embeddings=on
+- 这次要做什么
+- 为什么要做
+- 当前任务是否已经完成
+- 后续改动应该归属到哪个需求
+
+这能避免“改了很多文件，但没人知道当时为什么改”的问题。
+
+---
+
+### 3. 改动意图记录
+
+每次改完代码后，VectorMind 可以记录这次改动的原因。
+
+比如：
+
+```text
+将任务申请流程改为提交后直接通过，并移除上级审核分支。
 ```
 
-### 以 NPM 包方式运行（发布后）
+以后 AI 再看到这些文件时，不只是知道“代码变了”，还能知道“为什么这么变”。
+
+---
+
+### 4. 最新决策优先
+
+这是 VectorMind 很重要的一类能力。
+
+例如：
+
+> 一开始任务申请需要上级审核，后来改成申请直接通过。
+
+后续 AI 再修改审核相关功能时，应该优先相信最新决策，而不是旧需求。
+
+VectorMind 支持把新决策写成“当前权威决定”，并把旧需求或旧记录标记为过时。这样可以减少 AI 把功能改回老版本的问题。
+
+---
+
+### 5. 项目总结、笔记和约定
+
+VectorMind 可以长期保存项目级信息，例如：
+
+- 项目整体说明
+- 架构说明
+- 业务规则
+- 命名规范
+- 构建命令
+- 不要再改回去的产品决策
+- 后续 TODO
+
+这些内容会在后续会话中自动参与上下文恢复。
+
+---
+
+### 6. 代码库定位
+
+VectorMind 会维护项目文件和代码符号索引，让 AI 更容易回答：
+
+- 这个函数在哪？
+- 这个类在哪定义？
+- 哪些文件提到了这个功能？
+- 某个配置在哪里？
+
+它提供比“让 AI 猜路径”更稳定的代码定位方式。
+
+---
+
+### 7. 项目文件阅读与搜索
+
+VectorMind 提供适合 AI 使用的文件工具：
+
+- 列出项目文件
+- 读取指定文件片段
+- 按行读取代码
+- 搜索项目文本
+- 读取 Codex skill / prompt / rule 文件
+
+这些工具都有输出限制，避免一次性把大量文件内容塞进上下文。
+
+---
+
+### 8. 本地语义检索
+
+VectorMind 可以从本地记忆中搜索相关内容，包括：
+
+- 需求
+- 改动意图
+- 决策
+- 笔记
+- 项目总结
+- 代码片段
+- 文档片段
+
+默认即可本地检索；如果需要，也可以开启 embeddings 增强语义召回。
+
+---
+
+### 9. Pending Changes 跟踪
+
+VectorMind 会记录“文件已经变化，但还没有同步改动意图”的状态。
+
+这样 AI 可以在改完文件后检查：
+
+- 哪些文件还没记录原因
+- 哪些改动还没归到当前需求
+- 是否漏同步了某些文件
+
+同时也会结合 Git 工作区状态作为补充，降低文件监听漏掉变化的风险。
+
+---
+
+### 10. 低 token 输出
+
+VectorMind 的常用工具默认返回 compact 输出，而不是大段 JSON。
+
+好处：
+
+- 新会话恢复更轻
+- 搜索结果更短
+- 文件读取更可控
+- 不容易把上下文撑爆
+
+需要完整结构化数据时，也可以显式要求 JSON。
+
+---
+
+### 11. RTK 集成
+
+VectorMind 包里带了一个 `rtk` 命令入口。
+
+它可以帮助压缩 shell 命令输出，减少命令日志对 AI 上下文的占用。
+
+常见用法：
 
 ```bash
-npx -y @coreyuan/vector-mind
+rtk git status
+rtk npm run build
+rtk rg "keyword" src
 ```
 
-## 在 MCP Client 中配置（stdio）
+---
 
-不同客户端配置格式略有差异，但核心都是：用 `stdio` 启动一个命令。
+### 12. 内置开发规范
 
-- 本地构建版本（示例）：
-  - `command`: `node`
-  - `args`: `["/absolute/path/to/your/project/dist/index.js"]`
+VectorMind MCP 会提供一些有用的开发规范，例如：
 
-- 发布后（示例）：
-  - `command`: `npx`
-  - `args`: `["-y", "@coreyuan/vector-mind"]`
+- 轻量计划
+- 架构和代码组织
+- UI 输出不要泄露提示词
+- git 提交说明要包含改动总结
+- 长线程和大输出要尽量克制
+- 破坏性操作要有风险意识
 
-通常情况下客户端会通过 MCP `roots/list` 自动提供 workspace root，因此无需写死目录，配置如下：
+这些内容只是开发规范和交付质量要求，和 AI 访问权限、运行权限、命令权限、文件权限、网络权限、审批机制或 sandbox 行为没有关系。
 
-> 如果客户端不支持或不响应 `roots/list`，VectorMind 会快速回退到 `process.cwd()`（可用 `VECTORMIND_ROOTS_TIMEOUT_MS` 调整 roots 请求超时时间，默认 750ms）。
-```json
-{
-  "command": "npx",
-  "args": ["-y", "@coreyuan/vector-mind"]
-}
+---
+
+## 安装
+
+推荐直接通过 npx 使用：
+
+```bash
+npx -y @coreyuan/vector-mind
 ```
 
-如果你发现 `.vectormind/vectormind.db` 落在了错误目录（或你的 MCP Client 不支持 `roots/list`），再加上：
-```json
-{
-  "command": "npx",
-  "args": ["-y", "@coreyuan/vector-mind"],
-  "env": { "VECTORMIND_ROOT": "H:\\\\path\\\\to\\\\your-project" }
-}
+也可以全局安装：
+
+```bash
+npm install -g @coreyuan/vector-mind
 ```
 
-### Codex（`config.toml`）：不要固定 MCP Server 的 `cwd`（让它跟随项目）
+全局安装后会提供：
+
+```text
+vector-mind
+rtk
+```
 
-Codex 目前不会通过 MCP `roots/list` 提供 workspace roots；因此要实现“每个项目一个 `<project>/.vectormind/`”，推荐两种方式：
+---
 
-1) **让 Codex 在你的项目目录启动**（或用 `codex -C <project>` 指定工作目录），然后 VectorMind 就会用 `process.cwd()` 作为 `project_root`。
-2) **在每次工具调用里显式传 `project_root`**（当你的 Codex/VS Code 启动 MCP server 的工作目录不等于项目根目录时尤其有用）。
+## Codex 配置示例
 
-> `project_root` 可以作为 VectorMind 所有 tools 的可选参数；一旦提供，VectorMind 会切换到该项目并在 `<project_root>/.vectormind/` 下读写数据库与索引。
+在 `~/.codex/config.toml` 中添加：
 
 ```toml
 [mcp_servers.vector-mind]
 type = "stdio"
 command = "npx"
 args = ["-y", "@coreyuan/vector-mind"]
-# 不要设置 cwd：让它跟随 Codex 的工作目录（也就是你的项目目录）
 ```
 
-**不要在全局 `config.toml` 里写死：**
-- `cwd = "..."`（会把 VectorMind 锁死到一个项目）
-- `env = { VECTORMIND_ROOT = "..." }`（同样会锁死到一个项目）
+配置后重启 Codex。
+
+---
+
+## Claude Desktop 配置示例
+
+```json
+{
+  "mcpServers": {
+    "vector-mind": {
+      "command": "npx",
+      "args": ["-y", "@coreyuan/vector-mind"]
+    }
+  }
+}
+```
+
+---
 
-> 如果你确实要固定到单一项目（少见）：那就可以设置 `cwd` 或 `VECTORMIND_ROOT`；但这会破坏“多项目隔离”。
+## 推荐使用方式
 
-配置完成后，客户端会在初始化阶段拿到该服务器的 tools + instructions；AI 就能“知道它存在”，并在需要时调用，而不是盲猜。
+### 新会话开始
 
-## Skills（可选：让用户“无感”自动调用）
+可以这样对 AI 说：
 
-> 说明：Skill 不是跨所有 AI 通用标准，不同客户端的“Skill”格式不同；但 MCP Server 本身是通用的（支持 MCP 的客户端都能用）。
+```text
+先用 VectorMind 恢复这个项目的上下文，再继续做。
+```
 
-### Codex Skills（OpenAI Codex）
+### 开始新需求
 
-- 安装：把 `skills/vector-mind-autopilot` 复制到 `~/.codex/skills/vector-mind-autopilot`（Windows: `C:\Users\<you>\.codex\skills\vector-mind-autopilot`）
-  - `skill-dist/vector-mind-autopilot.skill` 只是一个 zip 包；Codex 不会“放进去就识别”，需要解压到上面的目录结构里才会生效。
-- 使用：**重启 Codex（或重启 VS Code）并开启一个新会话/新 Agent** 后正常聊天即可；如未触发，可在对话里提一次 `$vector-mind-autopilot`
-  - 验证是否加载：新会话开头的 `## Skills` 列表里应包含 `vector-mind-autopilot`；如果你一直在同一个会话里对话，更新 skill 不会热加载。
+```text
+先记录这个需求：任务申请提交后直接通过，不需要上级审核。
+```
 
-### Claude Skills（Claude Code / myclaude）
+### 改完代码后
 
-- 安装：把仓库里的 `skills/vector-mind` 复制到 `~/.claude/skills/vector-mind`（Windows: `C:\Users\<you>\.claude\skills\vector-mind`）
-- 使用：重启后就会被识别为一个 Skill（可配合 `.claude/skills/skill-rules.json` 加关键词触发）
+```text
+把这次改动原因同步到 VectorMind。
+```
 
-### Claude Desktop（Project Instructions）
+### 需求变更时
 
-- MCP 配置参考：`skills/vector-mind-autopilot/references/claude-desktop-mcp-config.json`
-- 指令参考（复制到 Project Instructions / Custom Instructions）：`skills/vector-mind-autopilot/references/claude-project-instructions.md`
+```text
+这是最新决定：任务申请不再需要上级审核，申请后直接通过。请写入 VectorMind，并标记旧审核需求已过时。
+```
 
-## 典型示例
+这类“最新决定”非常重要。它能帮助 AI 后续优先使用新规则，而不是旧记录。
 
-你：我想加“用户头像上传功能”。  
-AI：调用 `start_requirement("用户头像上传功能", "支持 PNG/JPG")`。  
-你/AI：改完 `upload.ts` 和 `user.model.ts` 并保存。  
-AI：调用 `sync_change_intent("增加 Multer 配置，并在 user model 增加 avatar 字段", ["upload.ts","user.model.ts"])`。  
-AI：在对话里写一段阶段总结后，调用 `upsert_project_summary("...")`。  
-下次新会话：AI 先 `get_brain_dump()`，再用 `semantic_search("头像上传下一步是什么？")` 快速定位相关上下文与代码位置。
+---
 
-## 注意事项
+## 主要工具能力
 
-- `sync_change_intent` 只会关联到“最近的 active 需求”；如需并行多需求，建议先把一个需求标记完成（当前版本未提供 completion tool）。
-- 符号索引是启发式的，复杂语法/宏/生成代码可能不完整；如需更高精度，可扩展为 AST/语言服务器方案。
+你平时不需要记工具名，让 AI 自己调用即可。下面是 VectorMind 暴露的主要能力：
 
-使用方式
+| 能力 | 工具 |
+| --- | --- |
+| 恢复上下文 | `bootstrap_context`, `get_brain_dump` |
+| 记录需求 | `start_requirement`, `complete_requirement` |
+| 记录改动原因 | `sync_change_intent`, `get_pending_changes` |
+| 保存最新决策 | `upsert_decision`, `supersede_memory` |
+| 保存长期信息 | `upsert_project_summary`, `add_note`, `upsert_convention` |
+| 搜历史上下文 | `semantic_search`, `read_memory_item` |
+| 找代码位置 | `query_codebase`, `grep` |
+| 读项目文件 | `list_project_files`, `read_file_lines`, `read_file_text` |
+| 读 Codex 配置/技能文件 | `read_codex_text_file` |
+| 减少命令输出 token | `detect_rtk`, `install_rtk`, `get_token_savings` |
+| 调试和清理 | `get_activity_summary`, `get_activity_log`, `clear_activity_log`, `prune_index` |
 
-你可以直接发这句来测试（推荐新会话第一句就这么发）：
-```
-请先调用 vector-mind 的 bootstrap_context({ query: "我现在要做什么？" })，把返回的 JSON 原样贴出来，然后再继续回答。
-```
-怎么确认它真的调用了：
+---
 
-对话里会出现一次 tool 调用记录/卡片（不同客户端 UI 不一样）
-或者你让它把 bootstrap_context 返回的 JSON 原样输出（里面会有 ok: true；新版还会带 project_root/root_source/watcher_enabled/db_path 用来确认落库与监听是否在正确项目）
+## 多项目使用
 
-如果你希望“每次都自动调用”，就在你的固定/system 指令里加一句：
+如果你同时在多个项目中使用 VectorMind，建议告诉 AI 当前项目路径：
 
+```text
+这个任务的项目路径是 H:\2025\YourProject，请 VectorMind 使用这个 project_root。
 ```
-每次新会话开始先调用 bootstrap_context，再开始分析/改代码。
+
+这样每个项目都会有自己的本地记忆，避免混在一起。
+
+默认数据位置：
+
+```text
+<project>/.vectormind/
 ```
 
-如果在项目根目录中没有生成.vectormind文件夹，需要手动发送以下命令给AI来绑定目录
+---
+
+## 隐私说明
+
+VectorMind 默认把数据保存在项目本地。
+
+不开启 embeddings 时，记忆检索主要在本地完成，不需要上传代码。即使开启 embeddings，也可以通过环境配置控制模型和缓存位置。
+
+---
 
+## 更新后不生效怎么办
+
+如果刚升级或发布了新版本，但客户端里看起来没变化：
+
+1. 重启 Codex / VS Code / Claude 等客户端。
+2. 开一个新会话。
+3. 确认 MCP 配置仍然指向：
+
+```bash
+npx -y @coreyuan/vector-mind
 ```
-每次调用 VectorMind 工具时，要主动把 project_root 参数传进去
+
+---
+
+## 开发与发布
+
+```bash
+npm install
+npm run build
+npm run smoke -- --roots=off --use-tool-project-root
+npm publish --access public
 ```
+
+---
+
+## 一句话总结
+
+VectorMind MCP 是一个面向 AI 编程助手的本地项目记忆系统。  
+它让 AI 记住需求、决策、改动原因和项目约定，在长期开发中少丢上下文、少猜代码、少把旧功能改回来。