@ohos-cpf/3rdloop 0.0.3 → 0.0.4

package/README.md

@@ -171,6 +171,52 @@ LLM 凭据变量（`DASHSCOPE_API_KEY` / `LLM_MODEL` 等）：按上面的 `.env
 - `3LIB_ROOT` / `3LIB_HOME` 为系统环境变量专用，`config set` 会拒绝，请用 `setx` / `export`
 - `--data-dir` / `--skill-dir` 命令行 flag 仍是最高的单次覆盖
 
+### 配置项逐项设置命令（可复制）
+
+绝大多数配置项都有内置默认值，**无需设置**（如 `LLM_MODEL=glm-5.2`、`OPENCODE_PORT=4096`、`SELECTOR_TOP_K=5` 等，完整清单执行 `3rdloop config list` 查看）。只有以下无默认值的项需要按需配置（`<>` 为占位符，替换后去掉尖括号）。
+
+**必配（LLM 凭据）：**
+
+```bash
+# 百炼 API Key（从 https://bailian.console.aliyun.com/ 获取，get/list 脱敏显示）
+3rdloop config set DASHSCOPE_API_KEY <sk-xxxxxxxx>
+```
+
+**按需可选（不设置即关闭/自动）：**
+
+```bash
+# GitCode Token（仅访问私有仓库时需要，get/list 脱敏显示）
+3rdloop config set GIT_TOKEN <your-gitcode-token>
+
+# SKILL 目录覆盖（等效 --skill-dir，不设置则自动解析）
+3rdloop config set 3LIB_SKILL_DIR </path/to/Skills>
+```
+
+**有默认值、一般无需改（调整时参考）：**
+
+```bash
+# LLM 端点（默认百炼 OpenAI 兼容端点，仅切换其他 LLM 服务时修改）
+3rdloop config set LLM_BASE_URL https://dashscope.aliyuncs.com/compatible-mode/v1
+
+# LLM 模型 id
+3rdloop config set LLM_MODEL glm-5.2
+
+# 默认 CLI 类型（opencode | deveco-code，HarmonyOS 场景切 deveco-code）
+3rdloop config set CLI_TYPE deveco-code
+
+# 设置数据存储目录
+3rdloop config set 3LIB_DATA_DIR xxxxx
+```
+
+> 其余配置项（`LLM_MAX_TOKENS` / `LLM_ENABLE_THINKING` / `SELECTOR_*` / `MAX_CONCURRENT_SESSIONS` / `OPENCODE_*` / `DEVECO_*` / `3LIB_DATA_DIR`）均有内置默认值，开箱即用；如需调整再按相同格式 `config set`。`3LIB_ROOT` / `3LIB_HOME` 仅支持系统环境变量（`export` / `setx`），`config set` 会拒绝写入。
+
+设置完成后可统一验证：
+
+```bash
+3rdloop config list      # 查看全部配置项及当前生效值
+3rdloop doctor           # 环境自检
+```
+
 
 
 ### 环境加载细节

package/lib/config-cmd.js

@@ -73,7 +73,7 @@ export const ENV_KEYS = [
     // ── LLM（百炼 / DashScope）───────────────────────────────────────
     { key: 'DASHSCOPE_API_KEY', label: '百炼 API Key', description: '从 https://bailian.console.aliyun.com/ 获取', default: '', validate: validators.nonEmpty, secret: true },
     { key: 'LLM_BASE_URL', label: 'LLM 端点', description: '百炼 OpenAI 兼容端点（不要随意修改）', default: 'https://dashscope.aliyuncs.com/compatible-mode/v1', validate: validators.urlOrEmpty },
-    { key: 'LLM_MODEL', label: '模型名', description: '经百炼调用的模型名（如 glm-5-1 / glm-5-2）', default: 'glm-5-1', validate: validators.nonEmpty },
+    { key: 'LLM_MODEL', label: '模型名', description: '经百炼调用的模型名（如 glm-5.2）', default: 'glm-5.2', validate: validators.nonEmpty },
     { key: 'LLM_TEMPERATURE', label: 'LLM 采样温度', description: '采样温度（可选）', default: '0.1', validate: validators.temperature },
     { key: 'LLM_MAX_TOKENS', label: 'LLM 最大输出 tokens', description: '单次生成上限（可选）', default: '2048', validate: validators.intPositive },
     { key: 'LLM_ENABLE_THINKING', label: 'GLM 思考模式', description: 'true=开启思考（慢，质量高）false=关闭（快，推荐）', default: 'false', validate: validators.bool },

package/package.json

@@ -1,6 +1,6 @@
 {
     "name": "@ohos-cpf/3rdloop",
-    "version": "0.0.3",
+    "version": "0.0.4",
     "description": "3rdLibraryLoop 三方库自动化检视 CLI：嵌入式复用核心引擎，任务生命周期管理（submit/run/wait/progress/abort/list/result/doctor）",
     "type": "module",
     "license": "MIT",

package/vendor/Server/Agent/SkillSelector/README.md

@@ -10,7 +10,7 @@
 
 采用 **ReAct（Reason + Act）** 设计模式，分三步完成：
 
-1. **Reason #1 — 任务拆解**：LLM（百炼 / glm-5-1）分析任务，产出 `keywords / intent / constraints / techStack / whenToUse`，作为模糊匹配的输入。prompt 强制保留"准出审核/验收测试"等动作类型词，避免被技术细节淹没。
+1. **Reason #1 — 任务拆解**：LLM（百炼 / glm-5.2）分析任务，产出 `keywords / intent / constraints / techStack / whenToUse`，作为模糊匹配的输入。prompt 强制保留"准出审核/验收测试"等动作类型词，避免被技术细节淹没。
 2. **Act — 模糊匹配**：本地模糊匹配工具根据上一步输出，采用**双通道多路召回融合**（动作通道 + 领域通道 + 原文兜底通道），在候选 SKILL 池中召回最匹配的 topK。SKILL 文档索引 = metadata×3 + 正文前 2500 字符 + useWhen。
 3. **Reason #2 — 排序筛选**：LLM 对 topK 候选 SKILL 评分排序，选出最佳 SKILL。
 
@@ -23,7 +23,7 @@ flowchart TD
     Scan -->|SkillMeta[]| R1
 
     subgraph R1["Reason #1 — 任务拆解"]
-        R1a["llmClient 调用 glm-5-1"]
+        R1a["llmClient 调用 glm-5.2"]
         R1b["输出 TaskAnalysis: keywords / intent / constraints / techStack / whenToUse"]
         R1a --> R1b
     end
@@ -34,7 +34,7 @@ flowchart TD
     TopK --> R2
 
     subgraph R2["Reason #2 — 排序筛选"]
-        R2a["llmClient 调用 glm-5-1"]
+        R2a["llmClient 调用 glm-5.2"]
         R2b["输出 ranked: 每项含 score + reason"]
         R2a --> R2b
     end
@@ -51,7 +51,7 @@ SkillSelector/
 ├── core/
 │   └── Agent.js          # 对外导出的 Agent 类，selectSkill(task, skillDirectory) 主入口
 ├── llm/
-│   ├── llmClient.js      # LLM 客户端（百炼 OpenAI 兼容，glm-5-1），提供 chat() / chatJSON()
+│   ├── llmClient.js      # LLM 客户端（百炼 OpenAI 兼容，glm-5.2），提供 chat() / chatJSON()
 │   ├── prompts.js        # prompt 模板 + renderTemplate（TASK_ANALYSIS_PROMPT 含动作词/领域词约束）
 │   └── reactSteps.js     # 两个 Reason 步骤封装（analyzeTask / rankSkills）
 ├── matcher/
@@ -74,7 +74,7 @@ SkillSelector/
 |------|------|
 | [core/Agent.js](core/Agent.js) | 对外导出的 `Agent` 类，`selectSkill(task, skillDirectory)` 主入口，编排 ReAct 流程 |
 | [index.js](index.js) | 模块统一导出 |
-| [llm/llmClient.js](llm/llmClient.js) | LLM 客户端（百炼 OpenAI 兼容，glm-5-1），提供 `chat()` / `chatJSON()` |
+| [llm/llmClient.js](llm/llmClient.js) | LLM 客户端（百炼 OpenAI 兼容，glm-5.2），提供 `chat()` / `chatJSON()` |
 | [scanner/skillScanner.js](scanner/skillScanner.js) | 扫描 SKILL 目录，解析 `SKILL.md` frontmatter，产出 `SkillMeta[]` |
 | [matcher/fuzzyMatcher.js](matcher/fuzzyMatcher.js) | 模糊匹配工具（合并模块）：分词器 + 纯 JS BM25 + 双通道多路召回融合 + legacy fallback |
 | [utils/actionWords.js](utils/actionWords.js) | 动作词表 + 领域词表（`ACTION_WORDS` / `DOMAIN_WORDS`），供 fuzzyMatcher 加权与 prompts 示例共用 |
@@ -91,7 +91,7 @@ SkillSelector/
 
 ### Reason #1：LLM 拆解任务
 
-`reactSteps.analyzeTask(llm, task)` 调用 glm-5-1，将具体事项拆解为结构化的 `TaskAnalysis`。`TASK_ANALYSIS_PROMPT` 通过规则化约束 + few-shot 示例，强制 LLM 保留**动作类型词**（如"准出审核/验收测试/可行性分析/代码生成"）与**领域/产出物特征词**（如"接口规格/接口签名/方法签名/导出链"），并让 `intent` 以动词开头点明动作类型：
+`reactSteps.analyzeTask(llm, task)` 调用 glm-5.2，将具体事项拆解为结构化的 `TaskAnalysis`。`TASK_ANALYSIS_PROMPT` 通过规则化约束 + few-shot 示例，强制 LLM 保留**动作类型词**（如"准出审核/验收测试/可行性分析/代码生成"）与**领域/产出物特征词**（如"接口规格/接口签名/方法签名/导出链"），并让 `intent` 以动词开头点明动作类型：
 
 ```json
 {
@@ -125,7 +125,7 @@ SkillSelector/
 
 ### Reason #2：LLM 排序筛选
 
-`reactSteps.rankSkills(llm, task, analysis, candidates)` 把 topK 候选的简表（id / name / description / category / language / useWhen）发给 glm-5-1，让 LLM 按规则化评分（意图 40 / 技术栈 30 / 约束 20 / 关键词 10 + 硬否决规则）打分排序，选出最佳 SKILL。`Agent` 会对返回结果做稳定降序排序，确保 `topScore` 判定不依赖 LLM 的返回顺序。
+`reactSteps.rankSkills(llm, task, analysis, candidates)` 把 topK 候选的简表（id / name / description / category / language / useWhen）发给 glm-5.2，让 LLM 按规则化评分（意图 40 / 技术栈 30 / 约束 20 / 关键词 10 + 硬否决规则）打分排序，选出最佳 SKILL。`Agent` 会对返回结果做稳定降序排序，确保 `topScore` 判定不依赖 LLM 的返回顺序。
 
 ### 返回结果
 
@@ -153,7 +153,7 @@ SkillSelector/
 ```env
 DASHSCOPE_API_KEY=your_api_key_here
 LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
-LLM_MODEL=glm-5-1
+LLM_MODEL=glm-5.2
 ```
 
 ### 2. 安装依赖
@@ -217,7 +217,7 @@ console.log(result.trace);           // ReAct 每步留痕
 
 ```js
 new Agent({
-  llm: new LLMClient({ model: 'glm-5-1' }),  // 注入自定义 LLM 客户端
+  llm: new LLMClient({ model: 'glm-5.2' }),  // 注入自定义 LLM 客户端
   matcher: customMatcher,                      // 注入自定义模糊匹配实现
   topK: 5,                                     // 召回候选数量
   hitThreshold: 60,                            // 命中阈值
@@ -264,7 +264,7 @@ compatibility: 适用于任意托管在 Git 仓库的 C/C++ 开源库。
 import { Agent, LLMClient } from './Agent/SkillSelector/index.js';
 
 const customLLM = new LLMClient({
-  model: 'glm-5-1',
+  model: 'glm-5.2',
   temperature: 0.1,
 });
 const agent = new Agent({ llm: customLLM });
@@ -303,7 +303,7 @@ SELECTOR_TOP_K=10
 |------|------|--------|
 | `DASHSCOPE_API_KEY` | 百炼平台 API Key（必填） | — |
 | `LLM_BASE_URL` | OpenAI 兼容端点 | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
-| `LLM_MODEL` | 模型名 | `glm-5-1` |
+| `LLM_MODEL` | 模型名 | `glm-5.2` |
 | `LLM_TEMPERATURE` | 采样温度 | `0.2` |
 | `LLM_MAX_TOKENS` | 最大 token 数 | `2048` |
 | `LLM_ENABLE_THINKING` | 是否开启 GLM 思考模式 | `false` |

package/vendor/Server/Agent/SkillSelector/llm/llmClient.js

@@ -2,7 +2,7 @@
  * llmClient.js — LLM 客户端封装（百炼 / DashScope OpenAI 兼容模式）
  *
  * 职责：
- *   - 封装对 glm-5.1（经百炼兼容端点）的调用
+ *   - 封装对 glm-5.2（经百炼兼容端点）的调用
  *   - 统一强制 JSON 输出，并对返回做容错解析（剥离 code fence / try-catch）
  *   - 从环境变量读取配置（DASHSCOPE_API_KEY / LLM_BASE_URL / LLM_MODEL）
  *   - 429/529/网络抖动 错误恢复：指数退避 + 抖动重试，连续 529 切换备用模型
@@ -34,7 +34,7 @@ export class LLMClient {
    * @param {object} [options]
    * @param {string} [options.apiKey]         - 百炼 API Key，默认读 process.env.DASHSCOPE_API_KEY
    * @param {string} [options.baseURL]        - 兼容端点，默认读 process.env.LLM_BASE_URL
-   * @param {string} [options.model]          - 模型名，默认读 process.env.LLM_MODEL 或 'glm-5.1'
+   * @param {string} [options.model]          - 模型名，默认读 process.env.LLM_MODEL 或 'glm-5.2'
    * @param {number} [options.temperature]    - 默认读 process.env.LLM_TEMPERATURE 或 0.2
    * @param {number} [options.maxTokens]      - 默认读 process.env.LLM_MAX_TOKENS 或 2048
    * @param {string} [options.fallbackModel]  - 备用模型名，默认读 process.env.FALLBACK_MODEL
@@ -49,7 +49,7 @@ export class LLMClient {
       console.warn('[LLMClient] 未配置 DASHSCOPE_API_KEY，LLM 调用将失败');
     }
 
-    this.model = options.model || process.env.LLM_MODEL || 'glm-5.1';
+    this.model = options.model || process.env.LLM_MODEL || 'glm-5.2';
     this.fallbackModel = options.fallbackModel || process.env.FALLBACK_MODEL || '';
     this.temperature = options.temperature ?? _envFloat('LLM_TEMPERATURE', 0.2);
     this.maxTokens = options.maxTokens ?? _envInt('LLM_MAX_TOKENS', 2048);

package/vendor/VERSION

@@ -1,3 +1,3 @@
-0.0.3
-built=2026-09-02T12:47:54.119Z
-sha=4f2e0dd8f6bd22c0
+0.0.4
+built=2026-09-02T13:20:05.667Z
+sha=728055383fc2b950