From 22773f6586e6de712da180b58f8d87e7378bd2e5 Mon Sep 17 00:00:00 2001 From: Val-sss <154882199@qq.com> Date: Wed, 29 Apr 2026 15:30:17 +0800 Subject: [PATCH] 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) --- README.md | 359 ++++++++++++++++++++++++------------------------------ 1 file changed, 160 insertions(+), 199 deletions(-) diff --git a/README.md b/README.md index 4eb5d01..82c869a 100644 --- a/README.md +++ b/README.md @@ -9,8 +9,8 @@ [![License: MIT](https://img.shields.io/badge/License-MIT-green.svg)](LICENSE) [![Python](https://img.shields.io/badge/Python-3.10+-blue.svg)](https://python.org) [![Platform](https://img.shields.io/badge/Platform-Windows%20%7C%20Mac%20%7C%20Linux-lightgrey.svg)]() -[![Tests](https://img.shields.io/badge/Tests-282%2F282-brightgreen.svg)]() -[![Version](https://img.shields.io/badge/Version-0.7.0-blue.svg)]() +[![Tests](https://img.shields.io/badge/Tests-292%2F292-brightgreen.svg)]() +[![Version](https://img.shields.io/badge/Version-0.9.0-blue.svg)]() @@ -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。 - ---- - -
- -**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* - -
+MIT