mirror of
https://github.com/val1813/kwcode.git
synced 2026-09-03 06:34:30 +08:00
docs: rewrite README for v0.9.0
- Add Debug Subagent (Debug2Fix paper), DAG TaskCompiler (LLMCompiler), Prompt Optimizer (SICA), Reflexion persistence - Remove all Ollama-specific mentions, generalize to "any OpenAI-compatible API" - Add /multi command usage examples - Update reference table with all 9 papers and their applications in KWCode - Update project structure, test count (292), version badge - Clean up tone, remove personal rant section Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
This commit is contained in:
Val-sss
359
README.md
359
README.md
@@ -9,8 +9,8 @@
|
||||
[](LICENSE)
|
||||
[](https://python.org)
|
||||
[]()
|
||||
[]()
|
||||
[]()
|
||||
[]()
|
||||
[]()
|
||||
|
||||
</div>
|
||||
|
||||
@@ -18,47 +18,35 @@
|
||||
|
||||
## 为什么做这个
|
||||
|
||||
很多人问我为什不用ollama+claude code 还担心我不知道命令 教我怎么设置cc的本地api
|
||||
我表达感谢🙏🏻🙏🏻🙏🏻世界上还是好人多
|
||||
现有 coding agent 框架（Claude Code、Cursor、OpenCode）都是给强 LLM 设计的——靠模型的强推理能力调用工具、自主决策、完成任务。本地开源模型（8B-30B）做不到这些，会出错，会有幻觉。
|
||||
|
||||
也有人建议 用opencode做框架就行了呀
|
||||
KWCode 的思路不同：**LLM 只做分类和生成，确定性流水线做决策和验证。** 专家系统承载领域知识，飞轮从使用中自动积累经验。小模型只需要在极小的 context 里做一件明确的事。
|
||||
|
||||
我觉得如果真的给本地模型用 现阶段这些框架不太合适
|
||||
因为我理解这些框架都是给强llm用的，他要能用他强推理能力调用工具、推理、测试、找问题然后完成整个项目。而参数低的本地开源模型做不到，会出错，会有幻觉。
|
||||
|
||||
这也是为什么现在那么多人一说本地模型就觉得垃圾。
|
||||
我很好奇 为什么不用moe框架呢，llm只负责gate，专家组来完成任务，llm根据自然语言指令分派专家，这个能力10b以上模型应该都是有的。然后只要优化专家，完善体验，小模型跑赢大模型机会是有的呀。
|
||||
|
||||
我还想了一个方案，我用opus经常找不到解决方案我就让他webserch然后就有思路了，那我只要coding agent配备强大搜索引擎，搞不定的问题问google 问github问axvir不就有解决方案了吗？所以我弄了个搜索引擎做辅助（不过搜索引擎写得是屎山代码别介意）。
|
||||
|
||||
所以我觉得只要把问题摆出来都有方案可以解决。最受不了群嘲，好像我是呆子似的，不知道30b模型体验没opus好。我一个月六七千token费我会不知道？算了 不说了，介绍项目:
|
||||
|
||||
|
||||
### 本地模型跑 Coding Agent，有五个核心痛点
|
||||
### 本地模型跑 Coding Agent 的五个核心痛点
|
||||
|
||||
**痛点一：上下文爆炸**
|
||||
|
||||
小模型窗口只有 8K-32K。对话几轮后 context 塞满，模型开始胡说。现有工具没有上下文管理，用着用着就废了。
|
||||
小模型窗口只有 8K-32K。对话几轮后 context 塞满，模型开始胡说。
|
||||
|
||||
> KWCode 解法：**纯算法上下文压缩**（头尾保留 + 中间关键词提取，<10ms），自动在 context 快满时压缩历史对话。你能一直聊下去，不会突然变傻。
|
||||
> KWCode 解法：**纯算法上下文压缩**（头尾保留 + 中间关键词提取，<10ms），自动在 context 快满时压缩历史对话。
|
||||
|
||||
**痛点二：错误重复回复**
|
||||
**痛点二：错误重复**
|
||||
|
||||
小模型修 bug 失败后，用同样的方式再试一遍，三次机会全浪费在同一个错误上。
|
||||
|
||||
> KWCode 解法：**三阶段重试策略**——第一次正常描述，第二次从错误信息出发，第三次最小化修改。每次重试前先做 Reflection（LLM 一句话分析上次为什么失败），绝不重复同样的错。失败模式还会记录到 PATTERN.md，下次遇到类似任务直接提高风险等级。
|
||||
> KWCode 解法：**三阶段重试 + Reflection + Debug Subagent**——第一次正常描述，第二次从错误信息出发（注入运行时调试数据），第三次最小化修改。每次重试前先做 Reflection（LLM 分析上次为什么失败）+ Debug Subagent（sys.settrace 捕获真实变量值），绝不重复同样的错。
|
||||
|
||||
**痛点三：不能调用工具**
|
||||
|
||||
大部分本地 agent 框架只能生成代码文本，不能真正执行命令、读写文件、跑测试。生成的代码对不对，全靠人肉验证。
|
||||
大部分本地 agent 框架只能生成代码文本，不能真正执行命令、读写文件、跑测试。
|
||||
|
||||
> KWCode 解法：**内置 5 个确定性工具**（read_file / write_file / run_bash / list_dir / git），Generator 生成 patch 后 Verifier 自动执行语法检查 + pytest，失败立即重试。不是"建议你跑一下测试"，而是真的帮你跑了。
|
||||
> KWCode 解法：**内置 5 个确定性工具**（read_file / write_file / run_bash / list_dir / git），Generator 生成 patch 后 Verifier 自动执行语法检查 + pytest，失败立即重试。
|
||||
|
||||
**痛点四：数据安全**
|
||||
|
||||
Claude Code、Cursor 把代码发到海外服务器。公司代码、内网项目走不通。
|
||||
|
||||
> KWCode 解法：**全部本地运行**，代码不出你的电脑。模型跑在 Ollama，搜索跑在本地 SearXNG，统计数据存本地 SQLite。零网络依赖（搜索增强可选）。
|
||||
> KWCode 解法：**全部本地运行**，代码不出你的电脑。模型跑在本地，搜索跑在本地 SearXNG，统计数据存本地 SQLite。零网络依赖（搜索增强可选）。
|
||||
|
||||
**痛点五：代码定位靠猜**
|
||||
|
||||
@@ -74,83 +62,95 @@ Claude Code、Cursor 把代码发到海外服务器。公司代码、内网项
|
||||
|
||||
**理论来源**：Agentless（ICSE 2025）——确定性流水线在 SWE-bench 上同时达到最高通过率和最低成本，优于复杂 agent 架构。
|
||||
|
||||
不让 LLM 自主决定下一步，而是走确定性的专家流水线：
|
||||
|
||||
```
|
||||
用户输入
|
||||
└─► Gate 任务分类，毫秒级路由
|
||||
└─► Locator 精准定位文件和函数（BM25+调用图，不调LLM）
|
||||
└─► Generator 只生成修改部分（从文件读original，LLM只写modified）
|
||||
└─► Verifier 语法检查 + pytest 自动验证
|
||||
└─► SearchAugmentor 失败时自动搜索补充信息
|
||||
└─► DebugSubagent 失败时捕获运行时变量值
|
||||
└─► SearchAugmentor 搜索补充信息
|
||||
```
|
||||
|
||||
小模型只需要在极小的 context 里做一件明确的事。失误可以被及时发现和纠正，不会滚雪球。
|
||||
|
||||
---
|
||||
|
||||
### 原理二：BM25 + AST 调用图定位（核心差异化）
|
||||
### 原理二：BM25 + AST 调用图定位
|
||||
|
||||
**理论来源**：
|
||||
- CodeCompass（arXiv:2602.20048，2026）：258 次实验证明，隐藏依赖任务（G3类）图遍历准确率 **99.4%** vs BM25 **76.2%**，相差 23.2 个百分点
|
||||
- KGCompass（arXiv:2503.21710，2025）：SWE-bench Lite 成功率 **58.3%**，89.7% 的成功定位来自多跳图遍历
|
||||
- CodeCompass（arXiv:2602.20048，2026）：图遍历 G3 任务准确率 **99.4%** vs BM25 **76.2%**
|
||||
- KGCompass（arXiv:2503.21710，2025）：SWE-bench Lite 成功率 **58.3%**
|
||||
|
||||
**什么是 G3 类任务**：bug 所在的文件名和函数名，与错误描述没有任何关键词重叠，只能通过调用链追踪发现。这是真实项目里最常见、最难定位的一类 bug。
|
||||
|
||||
**KWCode 的两阶段检索**：
|
||||
**两阶段检索**：
|
||||
|
||||
```
|
||||
用户描述 "修复登录失败的 bug"
|
||||
│
|
||||
├─► 阶段1：BM25 关键词召回（毫秒级，不调 LLM）
|
||||
│ 从代码库所有函数/类中，按关键词相关性
|
||||
│ 召回 top-20 候选函数
|
||||
│
|
||||
└─► 阶段2：AST 调用图展开（毫秒级，不调 LLM）
|
||||
对每个候选函数，沿调用图向上向下各展开 2 跳
|
||||
发现那些名字和 bug 毫无关联但实际是根因的隐藏函数
|
||||
|
||||
结果：精准的相关函数集合，直接注入 Generator
|
||||
沿调用链追踪隐藏依赖
|
||||
```
|
||||
|
||||
技术实现：`tree-sitter` 多语言 AST + `rank-bm25` + `SQLite` 调用图持久化。不需要 Neo4j，不需要 Docker，不需要 embedding 模型。
|
||||
技术实现：`tree-sitter` 多语言 AST + `rank-bm25` + `SQLite` 调用图持久化。
|
||||
|
||||
支持语言：Python（已完成）· JavaScript/TypeScript/Java/Go/Rust（规划中）
|
||||
### 原理三：Debug Subagent（运行时调试）
|
||||
|
||||
---
|
||||
|
||||
### 原理三：专家飞轮（越用越懂你的项目）
|
||||
|
||||
**理论来源**：EE-MCP（NeurIPS 2025）——从任务执行轨迹自动提取经验，验证可显著提升后续同类任务成功率。
|
||||
|
||||
KWCode 的专家会随使用自动生长：
|
||||
**理论来源**：Debug2Fix（Microsoft，ICML 2026）——弱模型 + 交互式调试器 > 强模型裸跑。GPT-5 + Debug2Fix 匹配 Claude Sonnet 基线性能。
|
||||
|
||||
```
|
||||
第1天：15 个预置专家开箱即用
|
||||
Verifier 失败
|
||||
└─► LLM 决定断点位置和要检查的变量
|
||||
└─► sys.settrace 非侵入式捕获运行时变量值
|
||||
└─► 真实调试数据注入下一轮 Generator retry
|
||||
```
|
||||
|
||||
不用交互式 PDB，不修改源文件。用 `sys.settrace` 在目标行捕获变量值，失败时 fallback 到 `pytest --tb=long` 获取完整堆栈。
|
||||
|
||||
### 原理四：DAG 多任务编排
|
||||
|
||||
**理论来源**：LLMCompiler（ICML 2024）——任务分解 + 并行调度显著提升复杂任务完成率。
|
||||
|
||||
KWCode 实现了轻量 DAG 调度器（零新依赖，ThreadPoolExecutor + Kahn 拓扑排序）：
|
||||
|
||||
```
|
||||
/multi task1 ; task2 ; task3 ← 全部并行
|
||||
/multi task1 -> task2 -> task3 ← 串行链
|
||||
/multi ← 交互式混合
|
||||
+ 给函数add加注释 (并行)
|
||||
+ 给函数sub加注释 (并行)
|
||||
+ >给修改后的代码写测试 (串行，依赖上面两个)
|
||||
```
|
||||
|
||||
### 原理五：专家飞轮 + Prompt 自动优化
|
||||
|
||||
**理论来源**：
|
||||
- EE-MCP（NeurIPS 2025）——从任务轨迹自动提取经验
|
||||
- SICA（arXiv:2504.15228）——自我改进编码代理
|
||||
- Reflexion——失败模式持久化
|
||||
|
||||
```
|
||||
使用过程中，飞轮在后台静默积累：
|
||||
同类任务成功 ≥5 次 → 触发专家草稿生成
|
||||
回测门：新专家成功率 ≥ 原流水线
|
||||
AB 测试门：10 次真实对比，提升 >10%
|
||||
三道门全过 → 专家正式投产，弹出通知
|
||||
三道门全过 → 专家正式投产
|
||||
|
||||
一个月后：你的项目有了专属专家池
|
||||
Prompt Optimizer（可选，需 Anthropic API key）：
|
||||
分析成功轨迹 → 生成经验规则 → 追加到专家 YAML system_prompt
|
||||
下次同类任务 Generator 拿到更准确的领域知识
|
||||
```
|
||||
|
||||
专家可以导出分享：
|
||||
### 原理六：Reflexion 持久化
|
||||
|
||||
```bash
|
||||
kwcode expert export SpringBootExpert
|
||||
# → SpringBootExpert-1.0.0.kwx
|
||||
失败不白费。每次任务完成后（成功/失败），结构化记录到 `REFLECTION.md`：
|
||||
|
||||
kwcode expert install path/to/Vue3Expert.kwx
|
||||
```
|
||||
## bugfix 失败模式
|
||||
- [2026-04-29] JWT验证失败 → 根因：token过期时间单位错误
|
||||
|
||||
## codegen 注意事项
|
||||
- [2026-04-29] FastAPI路由 → 注意：必须include_router
|
||||
```
|
||||
|
||||
---
|
||||
`/plan` 时自动读取历史 Reflection 作为风险提示，避免重蹈覆辙。
|
||||
|
||||
### 原理四：模型能力自适应
|
||||
|
||||
KWCode 是全球唯一针对本地小模型能力差异做自适应的 coding agent。
|
||||
### 原理七：模型能力自适应
|
||||
|
||||
| 模型规模 | 自动策略 |
|
||||
|---------|---------|
|
||||
@@ -158,8 +158,6 @@ KWCode 是全球唯一针对本地小模型能力差异做自适应的 coding ag
|
||||
| 10-30B（qwen3:14b） | 可选计划 · 任务范围≤4文件 · 第2次失败触发搜索 |
|
||||
| >30B（qwen3:72b） | 宽松策略 · 任务范围≤8文件 · 自动处理复杂任务 |
|
||||
|
||||
切换模型，策略自动切换，无需配置。
|
||||
|
||||
---
|
||||
|
||||
## 功能特性
|
||||
@@ -167,34 +165,36 @@ KWCode 是全球唯一针对本地小模型能力差异做自适应的 coding ag
|
||||
### 代码能力
|
||||
- BM25 + 调用图两阶段定位，G3 隐藏依赖准确率 99.4%（论文验证）
|
||||
- Generator 只改必要部分，从文件读 original，LLM 只生成 modified
|
||||
- 三阶段重试：正常描述 → 从错误出发 → 最小化修改，不重复同样的错
|
||||
- Reflection 机制：第一次失败先分析根因再重试
|
||||
- 三阶段重试 + Reflection + Debug Subagent，不重复同样的错
|
||||
- Cross-Encoder 搜索结果重排（可选，`pip install kwcode[rerank]`）
|
||||
|
||||
### 多任务执行
|
||||
- `/multi` 命令：串行（依赖链）+ 并行（独立任务）混合执行
|
||||
- DAG 拓扑排序 + ThreadPoolExecutor 并行调度
|
||||
- 依赖上下文自动注入：前置任务结果传递给后续任务
|
||||
|
||||
### 流程控制
|
||||
- `/plan 计划模式`：显示执行步骤+风险等级（High/Medium/Low），确认后才动文件
|
||||
- `Checkpoint 快照`：任务开始前自动备份，失败一键还原，降级建议
|
||||
- `KWCODE.md 项目规则`：写项目约定，按任务类型分段注入，永远不忘
|
||||
- `Checkpoint 快照`：任务开始前自动备份，失败一键还原
|
||||
- `KWCODE.md 项目规则`：写项目约定，按任务类型分段注入
|
||||
|
||||
### 知识积累
|
||||
- 三层记忆：PROJECT.md（项目结构）/ EXPERT.md（专家记录）/ PATTERN.md（失败模式）
|
||||
- 非代码文件读取：PDF 需求文档 / Word 规范 / Markdown，BM25 匹配相关段落注入
|
||||
- 失败模式记录：历史失败积累，/plan 时作为风险评估依据
|
||||
- 三层记忆：PROJECT.md / EXPERT.md / PATTERN.md
|
||||
- Reflexion 持久化：REFLECTION.md 结构化记录失败模式和注意事项
|
||||
- 非代码文件读取：PDF / Word / MD，BM25 匹配相关段落注入
|
||||
|
||||
### 搜索增强
|
||||
- 默认 DuckDuckGo（零配置，pip install 就能用）
|
||||
- 可选 SearXNG 自部署：`kwcode setup-search` 一键安装，数据完全不出网
|
||||
- 四级内容提取：trafilatura → newspaper3k → readabilipy → BeautifulSoup
|
||||
- 并行搜索 + BM25 重排：结果质量优先
|
||||
- 默认 DuckDuckGo（零配置）
|
||||
- 可选 SearXNG 自部署：`kwcode setup-search` 一键安装
|
||||
- 四级内容提取 + BM25 重排 + Cross-Encoder 精排
|
||||
- 意图感知：代码/论文/包/debug 自动优化搜索词
|
||||
|
||||
### Office 文档
|
||||
- Excel：openpyxl 样式模板，深色表头，斑马纹，公式，冻结首行
|
||||
- PPT：python-pptx，商务配色，三明治结构，不用默认白底
|
||||
- Word：python-docx，中文首行缩进，规范字体，表格样式
|
||||
- Excel / PPT / Word 生成
|
||||
|
||||
### 价值可见
|
||||
- `kwcode stats`：完成任务数、节省时间估算、专属专家数
|
||||
- 飞轮通知：专家投产时弹出，显示成功率提升和速度对比
|
||||
- `kwcode stats`：完成任务数、节省时间估算
|
||||
- 飞轮通知：专家投产时弹出
|
||||
- 里程碑提醒：完成 50/100/200 个任务时自动汇报
|
||||
|
||||
### 中国本地化
|
||||
@@ -215,12 +215,12 @@ KWCode 是全球唯一针对本地小模型能力差异做自适应的 coding ag
|
||||
| 数据安全 | ❌ 代码上传云端 | ✅ 本地 | ✅ 本地 |
|
||||
| Windows 原生 | ✅ | ❌ 仅 WSL2 | ✅ |
|
||||
| 小模型专家流水线 | ❌ | ❌ | ✅ 独有 |
|
||||
| 模型能力自适应 | ❌ | ❌ | ✅ 独有 |
|
||||
| 运行时调试（Debug Subagent） | ❌ | ❌ | ✅ 独有 |
|
||||
| 多任务串并行 | ❌ | ❌ | ✅ 独有 |
|
||||
| AST 调用图定位 | ❌ | ❌ | ✅ 独有 |
|
||||
| 专家飞轮三道门 | ❌ | ❌ | ✅ 独有 |
|
||||
| 专家飞轮 + Prompt 自动优化 | ❌ | ❌ | ✅ 独有 |
|
||||
| /plan 风险评估 | ✅ | ❌ | ✅ |
|
||||
| Checkpoint 回滚 | ✅ | ❌ | ✅ |
|
||||
| 非代码文件读取 | 部分 | ❌ | ✅ |
|
||||
| 价值量化仪表盘 | ❌ | ❌ | ✅ 独有 |
|
||||
| 开源 | ❌ | ✅ MIT | ✅ MIT |
|
||||
|
||||
@@ -231,12 +231,12 @@ KWCode 是全球唯一针对本地小模型能力差异做自适应的 coding ag
|
||||
### 系统要求
|
||||
|
||||
- Python 3.10+
|
||||
- 任意 OpenAI 兼容 API（本地 Ollama / DeepSeek / 硅基流动 / Qwen 云端 等）
|
||||
- 任意 OpenAI 兼容 API（本地模型 / DeepSeek / 硅基流动 / Qwen 云端 等）
|
||||
- Docker（可选，用于 SearXNG 搜索增强）
|
||||
|
||||
| 使用方式 | 说明 |
|
||||
|---------|------|
|
||||
| 本地模型 | 安装 [Ollama](https://ollama.com/download)，拉取 qwen3:8b 等模型 |
|
||||
| 本地模型 | 安装本地推理引擎，拉取 qwen3:8b 等模型 |
|
||||
| 云端 API | `/api default https://api.deepseek.com your-key`，无需本地显卡 |
|
||||
|
||||
本地模型显存参考：
|
||||
@@ -257,6 +257,9 @@ pip install kwcode
|
||||
# 国内加速：
|
||||
pip install kwcode -i https://pypi.tuna.tsinghua.edu.cn/simple
|
||||
|
||||
# 可选：Cross-Encoder 搜索重排
|
||||
pip install kwcode[rerank]
|
||||
|
||||
# 启动
|
||||
kwcode
|
||||
```
|
||||
@@ -274,7 +277,7 @@ kwcode
|
||||
kwcode setup-search
|
||||
```
|
||||
|
||||
需要 Docker Desktop 已安装并运行。会自动拉取 SearXNG 镜像（约 200MB）并启动容器。不装也能用，默认走 DuckDuckGo 搜索。
|
||||
需要 Docker Desktop 已安装并运行。会自动拉取 SearXNG 镜像并启动容器。不装也能用，默认走 DuckDuckGo 搜索。
|
||||
|
||||
---
|
||||
|
||||
@@ -294,6 +297,27 @@ kwcode
|
||||
> 把 calculate_price 拆成更小的函数
|
||||
```
|
||||
|
||||
### 多任务模式
|
||||
|
||||
```
|
||||
> /multi 给函数add加注释 ; 给函数sub加注释 ; 给函数mul加注释
|
||||
```
|
||||
|
||||
三个任务并行执行。用 `->` 表示串行依赖：
|
||||
|
||||
```
|
||||
> /multi 重构extract_data函数 -> 给新函数写测试
|
||||
```
|
||||
|
||||
交互式输入（`>` 前缀表示依赖前面的任务）：
|
||||
|
||||
```
|
||||
> /multi
|
||||
+ 给函数add加注释
|
||||
+ 给函数sub加注释
|
||||
+ >给修改后的代码写测试
|
||||
```
|
||||
|
||||
### 单次执行
|
||||
|
||||
```bash
|
||||
@@ -305,42 +329,24 @@ kwcode --plan "重构数据库连接层"
|
||||
|
||||
```
|
||||
/plan <任务> 计划模式，显示步骤和风险后再执行
|
||||
/model qwen3:14b 切换模型
|
||||
/api API 配置（见下方说明）
|
||||
/experts 查看已注册专家
|
||||
/memory 查看项目记忆
|
||||
/init 初始化项目规则文件
|
||||
/cd <路径> 切换项目目录
|
||||
/help 显示帮助
|
||||
/multi 多任务模式（串行+并行）
|
||||
/model qwen3:14b 切换模型
|
||||
/api API 配置
|
||||
/experts 查看已注册专家
|
||||
/memory 查看项目记忆
|
||||
/init 初始化项目规则文件
|
||||
/cd <路径> 切换项目目录
|
||||
/help 显示帮助
|
||||
```
|
||||
|
||||
### 接入任意 API
|
||||
|
||||
KWCode 支持任何 OpenAI 兼容的 API，包括 DeepSeek、Qwen 云端、硅基流动、零一万物、Groq 等。
|
||||
|
||||
**临时切换**（当前窗口有效，关掉就恢复）：
|
||||
|
||||
```
|
||||
/api temp https://api.deepseek.com your-api-key
|
||||
/api temp https://api.siliconflow.cn/v1 your-api-key
|
||||
```
|
||||
|
||||
**永久保存**（写入配置文件，下次启动自动使用）：
|
||||
|
||||
```
|
||||
/api default https://api.deepseek.com your-api-key
|
||||
```
|
||||
|
||||
**查看当前配置**：
|
||||
|
||||
```
|
||||
/api show
|
||||
```
|
||||
|
||||
也可以在启动时通过命令行指定：
|
||||
|
||||
```bash
|
||||
kwcode --ollama-url https://api.deepseek.com
|
||||
/api temp https://api.deepseek.com your-api-key # 临时切换
|
||||
/api default https://api.deepseek.com your-api-key # 永久保存
|
||||
/api show # 查看当前配置
|
||||
```
|
||||
|
||||
### 项目规则文件
|
||||
@@ -363,32 +369,6 @@ kwcode --ollama-url https://api.deepseek.com
|
||||
|
||||
KWCode 启动时自动加载，按任务类型注入对应规则。
|
||||
|
||||
### Office 文档生成
|
||||
|
||||
```
|
||||
> 做一个季度销售报表 Excel，包含月份、销售额、环比增长
|
||||
> 做一个项目汇报 PPT，商务风格，5页
|
||||
> 写一份技术方案 Word，包含架构图描述和接口设计
|
||||
```
|
||||
|
||||
### 专家管理
|
||||
|
||||
```bash
|
||||
kwcode expert list # 查看所有专家
|
||||
kwcode expert info BugFix # 查看专家详情
|
||||
kwcode expert export BugFix # 导出为 .kwx 文件
|
||||
kwcode expert install path/to/x.kwx # 安装外部专家
|
||||
kwcode expert create MyExpert # 创建自定义专家
|
||||
```
|
||||
|
||||
### 价值报告
|
||||
|
||||
```bash
|
||||
kwcode stats
|
||||
```
|
||||
|
||||
显示过去 30 天的任务完成数、节省时间估算、最活跃专家。数据仅存本地。
|
||||
|
||||
---
|
||||
|
||||
## 开发者安装
|
||||
@@ -398,50 +378,58 @@ git clone https://github.com/val1813/kwcode.git
|
||||
cd kwcode
|
||||
pip install -e ".[dev]"
|
||||
python -m pytest kaiwu/tests/ -v --ignore=kaiwu/tests/bench_tasks
|
||||
# 282 tests should pass
|
||||
# 292 tests should pass
|
||||
```
|
||||
|
||||
### 项目结构
|
||||
|
||||
```
|
||||
kaiwu/
|
||||
├── cli/main.py # CLI 入口，REPL，spinner，结果摘要
|
||||
├── cli/main.py # CLI 入口，REPL，/multi 命令
|
||||
├── core/
|
||||
│ ├── gate.py # LLM 任务分类
|
||||
│ ├── orchestrator.py # 确定性流水线编排
|
||||
│ ├── task_compiler.py # DAG 多任务调度器
|
||||
│ ├── planner.py # /plan 计划模式 + 风险评估
|
||||
│ ├── checkpoint.py # 文件快照（git stash / 文件复制）
|
||||
│ ├── kwcode_md.py # KWCODE.md 规则加载
|
||||
│ ├── checkpoint.py # 文件快照
|
||||
│ └── model_capability.py # 模型能力自适应
|
||||
├── experts/
|
||||
│ ├── locator.py # BM25 + 调用图定位
|
||||
│ ├── generator.py # 代码生成（只改必要部分）
|
||||
│ ├── verifier.py # 语法检查 + pytest
|
||||
│ └── search_augmentor.py # 搜索增强 + BM25 重排
|
||||
│ ├── debug_subagent.py # 运行时调试（sys.settrace）
|
||||
│ └── search_augmentor.py # 搜索增强 + BM25 + CE 重排
|
||||
├── search/
|
||||
│ ├── reranker.py # Cross-Encoder 可选重排
|
||||
│ ├── duckduckgo.py # SearXNG + DDG 并行搜索
|
||||
│ ├── extraction_pipeline.py # 四级内容提取
|
||||
│ └── intent_classifier.py # 意图感知分类
|
||||
├── knowledge/doc_reader.py # PDF/Word/MD 文档读取
|
||||
├── flywheel/ # 专家飞轮（轨迹→模式→生成→AB测试）
|
||||
├── registry/ # 专家注册表 + .kwx 打包
|
||||
├── memory/ # 三层记忆系统
|
||||
├── flywheel/
|
||||
│ ├── trajectory_collector.py # 轨迹记录
|
||||
│ ├── pattern_detector.py # 模式检测（Gate 1）
|
||||
│ ├── ab_tester.py # 三道门验证
|
||||
│ └── prompt_optimizer.py # YAML system_prompt 自动优化
|
||||
├── memory/
|
||||
│ └── pattern_md.py # PATTERN.md + REFLECTION.md
|
||||
├── registry/ # 15 个预置 YAML 专家
|
||||
├── ast_engine/ # tree-sitter AST + 调用图
|
||||
├── notification/ # 飞轮通知
|
||||
├── stats/ # 价值量化（SQLite）
|
||||
└── llm/ # Ollama + llama.cpp 双后端
|
||||
└── stats/ # 价值量化（SQLite）
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 参考文献
|
||||
|
||||
1. **Agentless**：Xia et al. *ICSE 2025* — 确定性流水线优于复杂 agent
|
||||
2. **CodeCompass**：*arXiv:2602.20048, 2026* — 图遍历 G3 任务 99.4% vs BM25 76.2%
|
||||
3. **KGCompass**：Yang et al. *arXiv:2503.21710, 2025* — SWE-bench Lite 58.3%
|
||||
4. **AgentCoder**：Huang et al. *EMNLP 2023* — 多专家分工验证
|
||||
5. **EE-MCP**：*NeurIPS 2025* — 任务轨迹经验提取机制
|
||||
6. **Agent Psychometrics**：*arXiv:2604.00594, 2026* — 任务特征预测 agent 成功率
|
||||
| 论文 | 会议 | KWCode 中的应用 |
|
||||
|------|------|----------------|
|
||||
| Agentless | ICSE 2025 | 确定性流水线优于复杂 agent |
|
||||
| CodeCompass | arXiv:2602.20048, 2026 | 图遍历 G3 任务 99.4% |
|
||||
| KGCompass | arXiv:2503.21710, 2025 | 多跳图遍历定位 |
|
||||
| Debug2Fix | ICML 2026 | 弱模型+调试器 > 强模型裸跑 |
|
||||
| LLMCompiler | ICML 2024 | DAG 任务分解+并行调度 |
|
||||
| EE-MCP | NeurIPS 2025 | 任务轨迹经验提取 |
|
||||
| SICA | arXiv:2504.15228 | 自我改进编码代理 |
|
||||
| AgentCoder | EMNLP 2023 | 多专家分工验证 |
|
||||
| Reflexion | NeurIPS 2023 | 失败模式持久化 |
|
||||
|
||||
---
|
||||
|
||||
@@ -449,8 +437,6 @@ kaiwu/
|
||||
|
||||
**KWCode 是中国开发者做的，也需要中国开发者一起来完善。**
|
||||
|
||||
不管你在北京还是新加坡，在上海还是旧金山，只要你是华人开发者，都欢迎参与。
|
||||
|
||||
### 最需要的贡献
|
||||
|
||||
**新增预置专家**（最简单，编辑一个 YAML 文件）：
|
||||
@@ -462,43 +448,18 @@ K8sExpert / DockerExpert / RedisExpert / MySQLExpert
|
||||
```
|
||||
|
||||
```bash
|
||||
kwcode expert create MyExpert
|
||||
# 用自己真实项目测试 ≥5 个任务，跑通率 ≥80%
|
||||
# 提 PR
|
||||
kwcode expert create MyExpert # 生成模板
|
||||
# 编辑 ~/.kaiwu/experts/MyExpert.yaml
|
||||
# 提交 PR
|
||||
```
|
||||
|
||||
**语言支持扩展**：PHP · C# · Kotlin · Swift · Dart（AST 调用图）
|
||||
|
||||
**B 站视频教程 / 技术博客**
|
||||
|
||||
### 贡献流程
|
||||
|
||||
```bash
|
||||
git clone https://github.com/val1813/kwcode.git
|
||||
cd kwcode
|
||||
pip install -e ".[dev]"
|
||||
python -m pytest kaiwu/tests/ -v --ignore=kaiwu/tests/bench_tasks
|
||||
git checkout -b feat/your-feature
|
||||
# 开发 → 测试 → PR
|
||||
```
|
||||
|
||||
**Issues**：Bug 报告、功能建议
|
||||
**Discussions**：技术讨论、专家设计
|
||||
**其他贡献方向**：
|
||||
- 多语言 AST 支持（JavaScript/TypeScript/Java/Go）
|
||||
- bench_tasks 补齐（bugfix 类、跨文件类）
|
||||
- 文档翻译（英文 README）
|
||||
|
||||
---
|
||||
|
||||
## License
|
||||
|
||||
MIT — 自由使用、修改、分发。
|
||||
|
||||
---
|
||||
|
||||
<div align="center">
|
||||
|
||||
**如果 KWCode 对你有帮助，请给一个 ⭐**
|
||||
|
||||
这不只是一个工具，是华人开发者社区共同的技术资产。
|
||||
|
||||
*天工开物 · KWCode*
|
||||
|
||||
</div>
|
||||
MIT
|
||||
|
||||
Reference in New Issue
Block a user