[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7EDKW820TH6DZBFRHHDNQKA":3,"skill-same:01M7EDKW820TH6DZBFRHHDNQKA":84},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":6,"ownerHtmlUrl":29,"ownerBlogUrl":6,"ownerDescription":30,"updatedAt":31,"install":32,"resources":45},"01M7EDKW820TH6DZBFRHHDNQKA","team-wiki-codebase",null,"让 AI 真正理解大型代码库。针对多仓库、多微服务、迭代多年的项目，通过架构逆向 + Graph RAG 图谱 + CLI 多语言 AST，\n将海量代码压缩为结构化知识库——每条结论可回溯代码行，每条关系有置信度标注。\n\n适用场景：项目有 10+ 仓库或微服务，AI 直接读代码无法全局理解、回答不准确、token 开销大。\n\n产出：组件设计文档 × N + 架构总览 + 桥梁文档 + Graph RAG 图谱(G1~G9) + _manifest.json + teamai extract graph (teamwiki\u002F)。\n\nTrigger: team-wiki-codebase, code-to-knowledge, 代码知识库, 架构分析, 架构逆向\nPrerequisites: 可访问的源码目录（支持多仓库）；本 skill 目录下 `references\u002F` 与 `scripts\u002F`","lza6\u002FArmor-piercing-system-prompts","lza6","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F128880206?v=4","01M7EB3K7WPX5T28EJ2NVHE6EG","Chinese-tingfeng","01M7EB3K97E1KQ16QWKJMFNGX8",11,"MIT","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: team-wiki-codebase\ndescription: |\n  让 AI 真正理解大型代码库。针对多仓库、多微服务、迭代多年的项目，通过架构逆向 + Graph RAG 图谱 + CLI 多语言 AST，\n  将海量代码压缩为结构化知识库——每条结论可回溯代码行，每条关系有置信度标注。\n  \n  适用场景：项目有 10+ 仓库或微服务，AI 直接读代码无法全局理解、回答不准确、token 开销大。\n  \n  产出：组件设计文档 × N + 架构总览 + 桥梁文档 + Graph RAG 图谱(G1~G9) + _manifest.json + teamai extract graph (teamwiki\u002F)。\n  \n  Trigger: team-wiki-codebase, code-to-knowledge, 代码知识库, 架构分析, 架构逆向\n  Prerequisites: 可访问的源码目录（支持多仓库）；本 skill 目录下 `references\u002F` 与 `scripts\u002F`\n---\n\n# team-wiki-codebase — 大型代码库 AI 认知工程\n\n> 方法论与脚本位于本 skill 的 `references\u002F`、`scripts\u002F`（`teamai pull` 后出现在 `.cursor\u002Fskills\u002Fteam-wiki-codebase\u002F` 或 `.codebuddy\u002Fskills\u002Fteam-wiki-codebase\u002F`）。人类可读概览见 [README.md](.\u002FREADME.md)。\n> Phase 0 结构基线使用 `teamai codebase --extract`。TeamAI does not ship a separate team-wiki CLI. No extra plugin is required.\n\n**解决什么问题**：大型项目（10+ 仓库、数十微服务、迭代多年）让 AI 无法全局理解——上下文窗口装不下所有代码，组件关系散落各处，业务规则隐藏在深层调用链中。直接让 AI 读代码，既慢（海量 token）又不准（缺乏全局视角）。\n\n**怎么解决**：通过架构逆向工程，将海量代码系统化压缩为**结构化、可验证、AI-Native** 的深度知识库——每个结论可回溯到代码行，每条关系有置信度标注，每次更新有增量校验。AI 读知识库而非读源码，用约 **1\u002F50 的 token** 获得全局架构认知。\n\n## 使用方式\n\n```\n\u002Fteam-wiki-codebase                         # 默认：Standard（单 session 核心路径）\n\u002Fteam-wiki-codebase --deep                  # Deep：完整 K1~K4 + G1~G9\n\u002Fteam-wiki-codebase --update                # 增量更新已有 knowledge\u002F\n\u002Fteam-wiki-codebase continue                # 从 _review\u002Fprogress.json 断点继续\n```\n\n---\n\n## Agent 架构\n\n| Agent | 文件 | 启动时机 |\n|-------|------|---------|\n| 知识库文档生成 Agent | `references\u002Fagents\u002Fkb-doc-generator.md` | Phase K2 每批组件 |\n| Graph RAG Agent | `references\u002Fagents\u002Fgraph-rag-agent.md` | Phase K3 |\n\n**主 Agent 职责**：流程编排、确认点管理、progress.json 维护、质量报告汇总。\n\n---\n\n## 入口判断\n\n**每次激活时必须先执行此判断。**\n\n```\nIF 用户输入包含 \"--update\" 或 \"增量更新\":\n  → Update 模式\nELSE IF 用户输入包含 \"continue\" 或 \"继续\":\n  → Continue 模式\nELSE:\n  → 检查用户指定目录下是否有 _review\u002Fprogress.json\n  IF 存在 → 告知状态，等待\"继续上次\"或\"重新开始\"\n  ELSE    → Phase 0\n```\n\n---\n\n## Continue 模式\n\n```\nStep 1：定位 progress.json\nStep 2：读取解析，展示恢复摘要\nStep 3：根据 current_phase 跳转：\n  \"phase0_done\"              → Phase K1\n  \"phasek1_waiting_confirm\"  → 展示 k1-architecture-map.md，等待确认①\n  \"phasek1_confirmed\"        → Phase K2\n  \"phasek2_batch_N\"          → Phase K2 第 N 批继续（跳过已完成）\n  \"phasek2_waiting_confirm\"  → 等待确认②\n  \"phasek2_confirmed\"        → Phase K3\n  \"phasek3_done\"             → Phase K4\n  \"phasek4_done\"\u002F\"completed\" → 告知完成，询问是否 --update 或重跑某组件\n```\n\n---\n\n## Update 模式（增量更新）\n\n**触发**：`\u002Fteam-wiki-codebase --update` 或「增量更新」。\n**前提**：已有 completed 状态的 progress.json。\n\n```\nStep 1：读取 progress.json，获取 file_hash_cache\nStep 2：扫描 project_root，计算各文件当前 SHA256\nStep 3：对比 hash，分类：新增 \u002F 修改 \u002F 删除\nStep 4：展示变更摘要，等待用户确认：\n  ┌────────────────────────────────────┐\n  │ 变更摘要                            │\n  │ 新增: N 个文件                      │\n  │ 修改: N 个文件（含 Aurora.py 等）   │\n  │ 删除: N 个文件                      │\n  │ 受影响组件: [列表]                  │\n  │ 受影响图谱文档: G1\u002FG2\u002FG6\u002FG7        │\n  └────────────────────────────────────┘\nStep 5：仅重跑受影响范围：\n  - Phase K2：重新生成受影响组件的 Type-4 文档（覆盖写入）\n  - Phase K3 局部：更新涉及变更组件的图谱文档（G1\u002FG2\u002FG6\u002FG7）\n  - Phase K4：重新运行 validate_kb.py\nStep 6：更新 file_hash_cache + metadata.json commit SHA\nStep 7：组件级 diff（处理新增\u002F删除仓库或组件）\n  IF repos 列表与上次不同：\n    新增的仓库 → 对新仓库执行完整 K1 扫描，补充到组件清单，生成 Type-4 文档\n    删除的仓库 → 对应组件文档顶部加 `⚠️ [DEPRECATED] 此组件对应仓库已移除`\n    → 更新 k1-architecture-map.md 的组件清单\n    → 更新 G1 矩阵（移除已删除组件的行列，新增新组件行列）\n```\n\n---\n\n## progress.json 规范\n\n**路径**：`\u003Coutput_dir>\u002F..\u002F_review\u002Fprogress.json`\n\n```json\n{\n  \"version\": \"5\",\n  \"repos\": [\n    {\"name\": \"repo-a\", \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-a\", \"language\": \"go\"},\n    {\"name\": \"repo-b\", \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-b\", \"language\": \"python\"}\n  ],\n  \"output_dir\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Fknowledge\",\n  \"primary_language\": \"go\",\n  \"project_name\": \"ProjectName\",\n  \"scan_time\": \"2026-01-01T10:00:00Z\",\n  \"current_phase\": \"phasek2_batch_2\",\n  \"confirmed_phases\": [\"phase0\", \"phasek1\"],\n\n  \"service_map\": {\n    \"描述\": \"Phase K1 Step 3 构建的服务名→仓库映射表\",\n    \"ServiceA\": {\"repo\": \"repo-a\", \"entry\": \"cmd\u002FserviceA\u002Fmain.go\"},\n    \"ServiceB\": {\"repo\": \"repo-b\", \"entry\": \"app\u002Fmain.py\"}\n  },\n\n  \"kb_progress\": {\n    \"component_total\": 12,\n    \"components_done\": [\"Aurora\", \"Frame\"],\n    \"components_pending\": [\"CCDB\", \"Dispatcher\"],\n    \"type1_done\": false,\n    \"type2_done\": false,\n    \"type3_done\": false,\n    \"bridge_docs_done\": false,\n    \"graph_rag_done\": false\n  },\n\n  \"accuracy_stats\": {\n    \"total_claims\": 0,\n    \"verified\": 0,\n    \"unverified\": 0,\n    \"ambiguous_relations\": 0\n  },\n\n  \"interface_coverage\": {\n    \"描述\": \"接口数量对账结果，由 Phase K2 自校验填充\",\n    \"ComponentA\": {\"type\": \"HTTP\", \"scanned\": 13, \"documented\": 0, \"gap\": 13},\n    \"ComponentB\": {\"type\": \"MQ\",   \"scanned\": 5,  \"documented\": 0, \"gap\": 5}\n  },\n\n  \"consistency_check\": {\n    \"描述\": \"Phase K3 Step 3 跨文档一致性校验结果\",\n    \"contradictions\": 0,\n    \"missing_refs\": 0,\n    \"g1_deviations\": 0,\n    \"consistency_rate\": 0.0\n  },\n\n  \"e2e_validation\": {\n    \"描述\": \"Phase K4 Step 4 AI 端到端验证结果\",\n    \"total_questions\": 0,\n    \"correct\": 0,\n    \"partial\": 0,\n    \"incorrect\": 0,\n    \"boundary_ok\": 0,\n    \"boundary_fail\": 0,\n    \"accuracy_rate\": 0.0\n  },\n\n  \"file_hash_cache\": {\n    \"relative\u002Fpath\u002Fto\u002Ffile.go\": \"sha256_hex\"\n  }\n}\n```\n\n> `accuracy_stats` 在每批 Phase K2 完成后累加，是知识库可信度的全局指标。\n\n---\n\n## 核心原则（准确性优先）\n\n1. **代码为唯一事实来源**：每个结论必须有代码文件:行号 作为证据，无法验证的标 `[UNVERIFIED]`\n2. **置信度三态强制**：图谱中每条关系标 `EXTRACTED(1.0)` \u002F `INFERRED(0.6~0.9)` \u002F `AMBIGUOUS(0.1~0.3)`；禁止凭空发明，禁止用 0.5 默认值\n3. **两级准确性验证**：Phase K2 每份文档生成后立即自校验；Phase K4 全库质量检验\n4. **人在回路两次确认**：架构理解（K①）和组件文档质量（K②）必须人工确认，防止系统性错误扩散\n5. **并行生成 + 断点续传**：Type-4 组件文档并行分发（同一消息发出所有 Agent calls）；每批持久化 progress.json\n6. **Token 精简**：`Glob → Grep → Read` 三步法，禁止全量目录扫描\n7. **诚实审计**：`[UNVERIFIED]` 不得隐藏；质量数字完整展示；不确定用 AMBIGUOUS 不删除\n8. **认知边界声明**：知识库 README 必须明确声明覆盖范围和不覆盖范围，让 AI 知道何时应该说\"不确定\"\n9. **跨文档一致性**：Phase K3 强制交叉比对组件间关系描述，矛盾项必须修复后才计入\"一致\"\n10. **端到端可验证**：Phase K4 用标准化问题测试知识库实际回答能力，E2E 准确率目标 ≥ 80%\n\n---\n\n## Phase 0：初始化\n\n一次性向用户询问以下信息（**同一条消息，不分步骤**）：\n\n1. **项目所有代码仓库路径**（用户把整个项目涉及的所有仓库地址列出来）：\n   - 格式：每行一个绝对路径，或逗号分隔\n   - 示例：\n     ```\n     \u002Fpath\u002Fto\u002Fapi-gateway\n     \u002Fpath\u002Fto\u002Forder-service\n     \u002Fpath\u002Fto\u002Fuser-service\n     \u002Fpath\u002Fto\u002Fcommon-lib\n     ```\n   - 说明：这是最关键的一步。大型项目的代码散布在多个仓库中，必须**全部提供**才能构建完整的架构认知。遗漏仓库 = 知识库盲区。\n2. **项目名称**（用于文档命名，如 \"CVM\"、\"电商平台\"）\n3. **产品文档来源**（可选，提供则生成 Type-5\u002F6 桥梁文档）：\n   - API 文档目录路径\n   - 使用限制 \u002F FAQ 文档路径\n4. **输出路径**（默认：第一个仓库的父目录下的 `knowledge\u002F`）\n\n**Step 0A：仓库清单整理**\n\n收到用户提供的仓库列表后，构建仓库清单：\n\n```\nFOR 每个用户提供的路径:\n  1. 验证路径存在且可访问\n  2. 检测是否为 git 仓库（是否有 .git 目录）\n  3. 检测主要语言（按文件扩展名分布）\n  4. 统计代码规模（文件数 + 估算行数）\n  5. 记录 git commit SHA + tag\n\n结果写入 _review\u002Frepo-manifest.json：\n{\n  \"repos\": [\n    {\n      \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-a\",\n      \"name\": \"repo-a\",\n      \"language\": \"go\",\n      \"files\": 320,\n      \"lines_estimate\": 45000,\n      \"commit\": \"abc123\",\n      \"tag\": \"v1.2.0\",\n      \"accessible\": true\n    },\n    ...\n  ],\n  \"total_repos\": N,\n  \"inaccessible\": [\"path\u002Fto\u002Frepo-x（权限不足）\"]\n}\n```\n\n展示给用户确认：\n```\n已识别 {N} 个仓库：\n  ✅ repo-a (Go, ~45K 行)\n  ✅ repo-b (Python, ~12K 行)\n  ✅ repo-c (Go, ~28K 行)\n  ❌ repo-x (路径不存在或无法访问)\n\n总计: ~{N}K 行代码，{N} 个仓库\n确认无误后回复\"继续\"，或补充遗漏的仓库。\n```\n\n**Step 0B：自动检测主要语言**（按仓库列表汇总，不阻断流程）：\n```\n检测方法：汇总所有仓库的文件扩展名分布\n  .go 文件占比最高         → language: \"go\"\n  .py 文件占比最高         → language: \"python\"\n  .java 文件占比最高       → language: \"java\"\n  .ts\u002F.js 文件占比最高     → language: \"typescript\"\n  .rs 文件占比最高         → language: \"rust\"\n  多语言混合（无明显主导）  → language: \"mixed\"\n备注：language 字段用于接口扫描时选择 grep 模式（详见 Phase K1 Step 5）\n```\n\n**Step 0C：记录基准版本**：\n```bash\n# 对每个仓库分别记录\nFOR repo in repos:\n  git -C \u003Crepo.path> rev-parse HEAD 2>\u002Fdev\u002Fnull\n  git -C \u003Crepo.path> describe --tags --always 2>\u002Fdev\u002Fnull\n```\n写入 `_review\u002Fmetadata.json`：\n```json\n{\n  \"project_name\": \"CVM\",\n  \"scan_time\": \"\u003CISO8601>\",\n  \"repos\": [\n    {\"name\": \"repo-a\", \"commit\": \"\u003Csha>\", \"tag\": \"\u003Ctag>\"},\n    {\"name\": \"repo-b\", \"commit\": \"\u003Csha>\", \"tag\": \"\u003Ctag>\"}\n  ]\n}\n```\n\n**Step 0D：CLI 结构基线（每个代码仓库，推荐）**\n\n在 K1 深读之前，用 TeamAI 提取可证据化的 import\u002Fcall 结构边（Python\u002FGo\u002FTS 等，`code-ast`）并与 regex 基线合并（`code-heuristic`）：\n\n```bash\n# For each repo. Writes \u003Crepo>\u002Fteamwiki\u002F (evidence pages + .indices\u002Fgraph-index.json).\n# Existing flags only: --extract [path], optional --project \u003Cslug>, optional --incremental.\nteamai codebase --extract \u003Crepo_abs_path> --project \u003Cproject_slug>\n```\n\n- Output: `teamwiki\u002Fevidence\u002Fcode\u002F\u003Cproject>\u002F` pages; `teamwiki\u002F.indices\u002Fgraph-index.json` (structural edges).\n- K1\u002FK2\u002FK3 写 `_manifest.json` 的 `edges[]` 时：**优先引用** extract 的 `code-ast` 边 + `evidenceRefs`（`path:line`），Agent 推断标 `INFERRED`\u002F`AMBIGUOUS`。\n- After Phase K3, skip any extra graph compile \u002F merge step that is not a `teamai` command. TeamAI does not ship a separate team-wiki CLI. Continue with this skill using `teamai` and the files under this skill directory. No extra plugin is required.\n\n写入初始 progress.json（current_phase: \"phase0_done\"），进入 **Phase K1**。\n\n---\n\n## Phase K1：架构逆向与源材料采集\n\n**方法论**：`references\u002Fmethodology\u002Fphase0-collection.md` + `references\u002Fmethodology\u002Fphase1-reverse-engineering.md`\n\n### Step 1：可选运行扫描脚本（推荐）\n\n```bash\npython3 scripts\u002Fscan_repo.py \u003Cproject_root> --depth 2 --top 10\n```\n输出：文件统计 + 关键文件发现报告 + 语言分布。\n\n### Step 2：关键文件提取\n\n按优先级扫描（详见 phase0-collection.md）：\n- **P0 必须**：入口文件、路由\u002FHandler、流程编排配置、Proto\u002FIDL\n- **P1 重要**：数据库 Schema（DDL）、常量\u002F错误码定义\n- **P2 增强**：配置文件、测试文件（理解预期行为）\n\n### Step 3：架构逆向（详见 phase1-reverse-engineering.md）\n\n- 自底向上分层：叶子节点(DB\u002FMQ) → 中间节点(编排\u002F调度) → 根节点(API入口)\n- 三层穿透追踪：对核心 API ≥5 条完成 API入口→编排层→服务执行层 全链路追踪\n- 构建 N×N 组件关系矩阵（标注通信方式：RPC\u002FMQ\u002FDB）\n\n### Step 4：生成架构分析报告\n\n写入 `_review\u002Fk1-architecture-map.md`：\n\n```markdown\n## 架构分层（≥4层）\n| 层级 | 组件列表 | 核心职责 | 代码仓库 |\n\n## 组件清单\n| 组件名 | 架构层级 | **所属仓库** | 语言 | 核心度(P0\u002FP1\u002FP2) | 入口文件 | **接口校验类型** |\n\n接口校验类型取值（在确认点①请用户核对此列）：\n  - `HTTP`    → API 接入层，有 HTTP\u002FgRPC 路由注册，需做接口数对账\n  - `MQ`      → 消息处理层，有 MQ Consumer\u002FExchange 声明，以 Topic 数做基准\n  - `RPC`     → 内部服务层，有 .proto \u002F .thrift \u002F IDL 文件，以 Method 数做基准\n  - `NONE`    → 调度\u002F执行\u002F数据层，无对外接口，不做接口数校验\n\n## N×N 组件通信矩阵\n（值：RPC\u002FMQ\u002FDB\u002F—，标注置信度 [E]EXTRACTED\u002F[I]INFERRED\u002F[A]AMBIGUOUS）\n\n## 核心调用链路（≥5条）\n（格式：API(file:line) → 编排层(config:line) → 服务层(handler:line) → DB(table)）\n\n## 术语表\n| 内部术语 | 外部\u002F产品术语 | 说明 |\n\n## 不确定项（供人工确认）\n（标注 [A] 的关系和推断，说明不确定原因）\n（接口校验类型不确定的组件，标注 [?] 等用户在确认点①明确）\n```\n\n### Step 5：接口清单扫描（按校验类型分别执行）\n\n**仅对 k1-architecture-map.md 中接口校验类型 ≠ NONE 的组件执行**：\n\n```\nFOR 每个 接口校验类型 = HTTP 的组件:\n  执行 grep 扫描：\n    Go:   grep -rn \"\\.GET\\|\\.POST\\|\\.PUT\\|\\.DELETE\\|router\\.Handle\\|@handler\" \u003Ccomponent_dir>\n    Python: grep -rn \"@app\\.route\\|@router\\.\\|APIRouter\\|include_router\" \u003Ccomponent_dir>\n  记录：组件名 → HTTP接口数 N（SCAN_CONFIDENCE: HIGH\u002FMEDIUM）\n\nFOR 每个 接口校验类型 = MQ 的组件:\n  执行 grep 扫描：\n    grep -rn \"Exchange\\|Queue\\|Topic\\|consumer\\|subscribe\\|@KafkaListener\" \u003Ccomponent_dir>\n  记录：组件名 → MQ Topic\u002FQueue 数 N\n\nFOR 每个 接口校验类型 = RPC 的组件:\n  解析 .proto \u002F .thrift 文件：\n    find \u003Ccomponent_dir> -name \"*.proto\" -o -name \"*.thrift\" | xargs grep \"^rpc\\|^service\"\n  记录：组件名 → RPC Method 数 N\n```\n\n结果写入 `_review\u002Finterface-inventory.json`：\n```json\n{\n  \"ComponentA\": {\"type\": \"HTTP\", \"count\": 13, \"confidence\": \"HIGH\"},\n  \"ComponentB\": {\"type\": \"MQ\",   \"count\": 5,  \"confidence\": \"MEDIUM\"},\n  \"ComponentC\": {\"type\": \"RPC\",  \"count\": 8,  \"confidence\": \"HIGH\"},\n  \"ComponentD\": {\"type\": \"NONE\", \"count\": 0,  \"confidence\": \"—\"}\n}\n```\n\n**完成后**：更新 `current_phase` 为 `\"phasek1_waiting_confirm\"`。\n\n**⛔ 确认点①** — 等待用户明确回复，不得自动进入下一阶段。\n\n展示给用户：\n```\n架构分析完成。\n\n组件清单（共 N 个）：\n  P0 核心: [列表]\n  P1 重要: [列表]\n  P2 辅助: [列表]\n\n接口扫描结果（供校验用）：\n  HTTP 接口：ComponentA 13个, ComponentB 7个\n  MQ Topic：  ComponentC 5个\n  RPC Method：ComponentD 8个\n  无接口组件：ComponentE, ComponentF, ...\n\nAMBIGUOUS 关系（请明确）：\n  - ComponentX → ComponentY 的通信方式不确定\n\n请确认（直接编辑 k1-architecture-map.md 后回复\"继续\"）：\n  1. 架构分层和 P0\u002FP1\u002FP2 标注是否正确？\n  2. 每个组件的接口校验类型（HTTP\u002FMQ\u002FRPC\u002FNONE）是否准确？\n  3. 接口扫描数量是否合理？明显偏少说明有遗漏，偏多可能扫到了测试文件。\n```\n\n确认后：更新 `\"phasek1_confirmed\"` → Phase K2。\n\n---\n\n## Phase K2：文档生成（分批并行 + 中间质量确认）\n\n**方法论**：`references\u002Fmethodology\u002Fphase2-document-types.md`\n\n### 生成顺序（依赖链驱动，底层先写）\n\n```\n批次1: 数据层 + 基础执行层 Type-4 组件文档    ← 并行\n批次2: 资源\u002F调度层 Type-4 组件文档            ← 并行\n批次3: 消息\u002F服务层 Type-4 组件文档            ← 并行\n批次4: API入口层 Type-4 组件文档              ← 并行\n           ⛔ 确认点② ← 人工抽查组件文档质量\n批次5: 架构总览层 (Type-1 + Type-2 + Type-3) ← 串行（依赖上层全部完成）\n批次6: 桥梁文档 (Type-5 + Type-6 + Type-7)   ← 串行（依赖产品文档）\n批次7: 知识增强 (Type-8: 反模式\u002FRPC契约\u002F排障) ← 串行\n```\n\n### 每批执行流程\n\n读取 `references\u002Fagents\u002Fkb-doc-generator.md`，拼装输入包并启动：\n\n```\ncomponent_list:    本批次组件\u002F文档类型列表\narchitecture_map:  _review\u002Fk1-architecture-map.md 完整内容\nrepos:             _review\u002Frepo-manifest.json 中的仓库列表\nservice_map:       progress.json 中的 service_map\noutput_dir:        \u003CPhase 0>\nproject_name:      \u003CPhase 0>\nproduct_docs_dir:  \u003CPhase 0，可为空>\nmethodology_dir:   references\u002Fmethodology\u002F\ncompleted_docs:    kb_progress.components_done（断点恢复跳过）\nparallel_mode:     true（批次1~4）\u002F false（批次5~7）\n```\n\n每批完成后：\n- 将完成组件追加到 `kb_progress.components_done`\n- 累加 `accuracy_stats`（从 Agent 返回的自校验摘要中提取）\n- 更新 `current_phase` 为 `\"phasek2_batch_N\"`\n- 展示本批次 token 消耗和 `[UNVERIFIED]` 统计\n\n### ⛔ 确认点②（批次1~4完成后）\n\n展示给用户：\n```\n已生成 {N} 份组件设计文档。准确性统计：\n  总声明数: {N} | 已验证: {N} | [UNVERIFIED]: {N}（{X}%）\n  AMBIGUOUS 关系: {N} 条\n\n请抽查 2~3 份文档（建议选最复杂的组件）：\n  路径：\u003Coutput_dir>\u002FXX_\u003C组件名>设计说明.md\n\n确认要点：\n  1. AI 快速理解表的代码入口是否精确到函数名？\n  2. 核心流程描述是否与代码实际一致？\n  3. [UNVERIFIED] 比例是否可接受？（建议 \u003C15%）\n\n如发现系统性问题，请描述，我将调整策略后重新生成。\n```\n\n更新 `current_phase` 为 `\"phasek2_waiting_confirm\"`。\n用户确认后更新为 `\"phasek2_confirmed\"`，继续批次5~7。\n\n### 全部批次完成后\n\n写入 `_review\u002Fk2-doc-list.md`（文档清单：路径 + 规模KB + [UNVERIFIED]数 + 生成时间）。\n更新 `current_phase` 为 `\"phasek2_done\"` → Phase K3。\n\n---\n\n## Phase K3：AI-Native 增强 + 图谱文档集\n\n**方法论**：`references\u002Fmethodology\u002Fphase3-ai-enhancement.md`\n\n### Step 1：AI-Native 元素注入\n\n对所有已生成文档补充（如 Phase K2 的 Agent 未完整添加）：\n\n| 元素 | 要求 | 适用范围 |\n|------|------|---------|\n| `search-anchor` | 5~15 个关键词，标题后第一行 | 所有文档 |\n| AI 快速理解表 | 10 维度，紧跟标题 | 所有 Type-4 组件文档 |\n| 双向链接 | 组件↔主架构，桥梁↔组件 | 所有文档 |\n| 检索路由规则 | 4条分流规则 + 4级优先级 | 仅技术架构总览 |\n| QA 对 | 10~20 个高频问题+答案引用 | 仅技术架构总览第9章 |\n\n### Step 2：Graph RAG 图谱文档集\n\n读取 `references\u002Fagents\u002Fgraph-rag-agent.md`，拼装输入包并启动：\n\n```\nall_kb_docs_dir:  \u003Coutput_dir>\narchitecture_map: _review\u002Fk1-architecture-map.md\ndoc_list:         _review\u002Fk2-doc-list.md\nproject_name:     \u003CPhase 0>\noutput_dir:       \u003Coutput_dir>\u002Fgraph\u002F\nmethodology_file: references\u002Fmethodology\u002Fphase2-document-types.md\n```\n\n生成 G1~G9（每条关系强制置信度三态标注）：\n\n| 图谱文档 | 解决的问题 | 置信度要求 |\n|---------|---------|-----------|\n| G1 组件依赖关系矩阵 | \"谁依赖 X？\" | EXTRACTED 来自文档明确描述 |\n| G2 调用链路全景 + 状态机 + 约束矩阵 | \"API 经过哪些模块？\" | 调用链 EXTRACTED，推断依赖 INFERRED |\n| G3 数据流与存储依赖图 | \"数据存哪里？\" | 读写关系 EXTRACTED |\n| G4 错误码组件映射表 | \"错误码是哪个模块的？\" | EXTRACTED |\n| G5 跨组件交互场景手册（≥10个时序图） | \"配额检查怎么做？\" | 时序 EXTRACTED，边界 INFERRED |\n| G6 知识图谱三元组（≥100条） | \"A 间接依赖谁？\" | 每条标 E\u002FI\u002FA + 分值 |\n| G7 架构风险与影响面分析 | \"X 挂了影响多大？\" | 直接依赖 EXTRACTED，间接 INFERRED |\n| G8 核心配置参数索引 | \"怎么改 XX 配置？\" | EXTRACTED 来自配置文件 |\n| G9 业务规则约束矩阵 + AI 推理决策树 | \"能不能做 XX？\" | 规则 EXTRACTED，推断 INFERRED |\n\n同时生成 `\u003Coutput_dir>\u002Fgraph\u002FREADME.md`（索引 + 按问题类型查找表 + 检索路由建议）。\n\n### Step 3：跨文档一致性校验\n\n**Graph RAG Agent 完成后，主 Agent 自行执行此步骤（不委托给子 Agent）。**\n\n目的：检测组件文档之间的矛盾描述，防止\"A 说调用 B 用 RPC，B 说被 A 用 MQ 调用\"这类不一致。\n\n```\nStep 3A：构建\"声称矩阵\"\n\n  对每份 Type-4 组件文档，从**两个层面**提取关系声称：\n  \n  层面1：AI 快速理解表中的\"上游组件\"和\"下游组件\"字段\n  层面2：正文中的接口设计章节、核心流程章节中的调用描述\n  \n  如果层面1和层面2对同一关系描述不一致 → 首先记录为\"文档内矛盾\"（比表头和正文优先级更高的问题）\n  \n  提取示例：\n    组件X.md 表头声称: X→Y(RPC), X→Z(MQ)\n    组件X.md 正文声称: X→Z(HTTP)  ← 与表头矛盾！\n    组件Y.md 表头声称: Y←X(RPC), Y→Z(DB)\n    组件Z.md 表头声称: Z←X(HTTP), Z←Y(DB)\n\nStep 3B：交叉比对\n\n  FOR 每对组件 (A, B):\n    IF A.md 声称 \"A→B 用 RPC\" AND B.md 声称 \"B←A 用 MQ\":\n      → 记录矛盾: \"A→B 通信方式不一致: A说RPC, B说MQ\"\n    IF A.md 声称 \"A→B\" BUT B.md 未提到 \"被A调用\":\n      → 记录缺失: \"A声称调用B，但B的文档未提及被A调用\"\n    IF G1矩阵中的关系 与 组件文档声称不一致:\n      → 记录偏差: \"G1矩阵说A→B(RPC)，但A的文档说A→B(MQ)\"\n\nStep 3C：生成一致性报告\n\n  写入 `_review\u002Fk3-consistency-check.md`：\n\n  ```markdown\n  # 跨文档一致性校验报告\n\n  ## 矛盾项（必须修复）\n  | 组件A | 组件B | A的描述 | B的描述 | 矛盾类型 |\n  |-------|-------|---------|---------|---------|\n  | X | Z | X→Z(MQ) | Z←X(HTTP) | 通信方式不一致 |\n\n  ## 缺失项（建议补充）\n  | 声称方 | 被引用方 | 声称内容 | 缺失 |\n  |--------|---------|---------|------|\n  | A | B | A→B(RPC) | B的文档未提及被A调用 |\n\n  ## G1矩阵偏差（建议对齐）\n  | G1矩阵 | 组件文档 | 偏差 |\n\n  ## 统计\n  - 矛盾项: N 处（❌ 需修复）\n  - 缺失项: N 处（⚠️ 建议补充）\n  - G1偏差: N 处（⚠️ 需对齐）\n  - 一致关系: N 条（✅）\n  - 一致率: X%\n  ```\n\nStep 3D：自动修复（仅限明确情况）\n\n  IF 矛盾项 > 0:\n    FOR 每个矛盾项:\n      回溯代码验证：用 Grep 查找实际的调用方式（如 rpc.Call \u002F mq.Publish）\n      IF 能明确正确方 → 修复错误方文档中的描述 + 更新 G1 矩阵\n      IF 无法明确 → 标记为 AMBIGUOUS，留待用户在确认点确认\n    修复后重新统计一致率\n\n  IF 矛盾项 = 0:\n    → 跳过修复，直接进入 Phase K4\n```\n\n**完成后**：更新 `current_phase` 为 `\"phasek3_done\"` → Phase K4。\n\n---\n\n## Phase K4：知识库质量评估与报告\n\n**方法论**：`references\u002Fmethodology\u002Fphase4-quality.md`\n\n### Step 1：自动校验\n\n```bash\npython3 scripts\u002Fvalidate_kb.py \u003Coutput_dir>\n```\n\n输出（**必须完整展示，不得只展示通过项**）：\n```\n链接完整性:     ✅\u002F❌  N 个死链接\nsearch-anchor:  ✅\u002F⚠️  覆盖率 N\u002FM (X%)\nAI 快速理解表:  ✅\u002F⚠️  覆盖率 N\u002FM (X%)\n双向链接:       ✅\u002F⚠️  覆盖率 N\u002FM (X%)\nREADME 索引:    ✅\u002F⚠️  收录率 N\u002FM (X%)\n```\n\n### Step 2：准确性审计\n\n从 `accuracy_stats` 汇总全库可信度，同时从 `interface_coverage` 汇总接口覆盖情况：\n\n```\n【内容准确性】\n总声明数:            N 条（业务规则 + 接口描述 + 关系）\n已验证(有代码引用):   N 条 (X%)\n[UNVERIFIED]:        N 条 (X%)\nAMBIGUOUS 关系:      N 条 (X%)\n\n【接口覆盖率】（仅统计 HTTP\u002FMQ\u002FRPC 类型组件，NONE 类型不计入）\nHTTP 接口:   文档记录 M 个 \u002F 扫描基准 N 个 = X%\nMQ Topic:    文档记录 M 个 \u002F 扫描基准 N 个 = X%\nRPC Method:  文档记录 M 个 \u002F 扫描基准 N 个 = X%\n综合覆盖率:  X%    目标 ≥ 90%\n\n⚠️ 接口缺口清单（文档记录 \u003C 扫描基准 的组件）：\n  - ComponentA: 文档记录 8 个，扫描基准 13 个，缺口 5 个 → 建议补充\n```\n\n⚠️ 需人工确认清单：（[UNVERIFIED] > 20% 的文档 + 接口缺口组件 + AMBIGUOUS 关系）\n\n### Step 3：RAG 检索抽检\n\n按 `phase4-quality.md §RAG检索测试用例` 测试 7 类问题各 1 个（详见方法论），记录命中率。\n\n### Step 4：AI 端到端验证（E2E Validation）\n\n**核心思路**：用知识库回答一组标准化问题，然后**回溯代码验证答案正确性**，检测知识库是否能让 AI 给出正确答案。\n\n```\nStep 4A：生成标准验证问题集（自动，基于已有文档）\n\n  **优先使用用户提供的外部验证集**：\n  IF 用户在 Phase 0 或此时提供了验证问题列表（3~10 个真实业务问题）:\n    → 优先使用用户问题作为验证集（标注来源: USER）\n    → 自动补充至 10~15 题（标注来源: AUTO）\n  ELSE:\n    → 全部自动生成（标注来源: AUTO）\n  \n  > 用户提供的问题更有价值，因为 AI 自己出题容易考自己已知的领域，\n  > 真正的盲区（AI 没理解但没意识到的）只有外部问题才能测到。\n\n  从 k1-architecture-map.md 和 k2-doc-list.md 自动生成 10~15 个验证问题：\n\n  问题类型分布（至少覆盖以下 5 类）：\n\n  ┌────────────────────────────────────────────────────────────────────┐\n  │ 类型1：组件职责（3题）                                              │\n  │   模式：\"\u003C组件名> 的核心职责是什么？代码入口在哪？\"                    │\n  │   验证方式：答案中的函数名\u002F文件名必须在代码中存在                      │\n  │                                                                    │\n  │ 类型2：调用关系（3题）                                              │\n  │   模式：\"\u003C组件A> 和 \u003C组件B> 之间是什么关系？通过什么方式通信？\"         │\n  │   验证方式：答案与 G1 矩阵 + 代码实际 import\u002Fcall 一致               │\n  │                                                                    │\n  │ 类型3：操作约束（2题）                                              │\n  │   模式：\"在 \u003C状态X> 下能否执行 \u003C操作Y>？\"                            │\n  │   验证方式：答案与 G9 约束矩阵 + 代码中的状态检查一致                 │\n  │                                                                    │\n  │ 类型4：数据流向（2题）                                              │\n  │   模式：\"\u003C操作Z> 最终会写入哪些表\u002F队列？\"                             │\n  │   验证方式：答案与 G3 数据流 + 代码实际 SQL\u002FMQ 操作一致               │\n  │                                                                    │\n  │ 类型5：错误排查（2题）                                              │\n  │   模式：\"错误码 \u003CXXX> 是什么意思？在哪个组件产生？\"                    │\n  │   验证方式：答案与 G4 错误码映射 + 代码中的错误定义一致               │\n  │                                                                    │\n  │ 类型6（可选）：认知边界测试（2题）                                    │\n  │   模式：故意问知识库不覆盖的内容（如第三方 SDK 内部、历史架构变迁）     │\n  │   验证方式：AI 应回答\"超出知识库覆盖范围\"而非幻觉                     │\n  └────────────────────────────────────────────────────────────────────┘\n\nStep 4B：用知识库回答（模拟 AI 使用场景）\n\n  FOR 每个验证问题:\n    1. 假设只能读知识库文档，不能直接读代码\n    2. 按检索路由规则，找到对应文档\n    3. 从文档中提取答案\n\nStep 4C：代码回溯验证\n\n  FOR 每个答案:\n    1. 用 Grep\u002FRead 直接在代码中验证关键声明\n    2. 判定结果：\n       ✅ CORRECT     — 答案与代码一致\n       ⚠️ PARTIAL     — 答案部分正确，有遗漏或不精确\n       ❌ INCORRECT   — 答案与代码矛盾\n       🔇 BOUNDARY_OK — 认知边界问题，正确拒绝回答（仅类型6）\n       🔇 BOUNDARY_FAIL — 认知边界问题，错误地给出了答案（仅类型6）\n\nStep 4D：写入验证报告\n\n  追加到 k4-quality-report.md 的 ## AI 端到端验证 章节：\n\n  | 问题 | 类型 | 检索文档 | AI答案摘要 | 代码验证 | 结果 |\n  |------|------|---------|-----------|---------|------|\n  | Aurora 核心职责？ | 组件职责 | 03_Aurora设计说明.md | 调度编排... | scheduler.go:42 | ✅ |\n  | A→B 通信方式？ | 调用关系 | G1矩阵 | RPC | import rpc_client | ✅ |\n  | 状态X下能否操作Y？ | 操作约束 | G9矩阵 | 不能 | check_state.go:88 | ✅ |\n  | 第三方SDK内部？ | 认知边界 | — | 超出范围 | — | 🔇 OK |\n\n  统计：\n    CORRECT: N\u002FM (X%)\n    PARTIAL: N\u002FM (X%)\n    INCORRECT: N\u002FM (X%) — ❌ 每个 INCORRECT 必须列出具体矛盾点\n    BOUNDARY_OK: N\u002FN\n    BOUNDARY_FAIL: N\u002FN\n\n    E2E 准确率 = (CORRECT + BOUNDARY_OK) \u002F 总题数\n    目标: ≥ 80%\n```\n\n**如果 E2E 准确率 \u003C 80%**：在质量报告\"建议\"章节列出需要改进的文档和具体问题。\n\n### Step 5：生成质量报告\n\n写入 `_review\u002Fk4-quality-report.md`：\n\n```markdown\n# 知识库质量报告\n\n## 概览\n- 代码基准：\u003Ccommit SHA> (\u003Ctag>)\n- 生成时间：\u003CISO8601>\n- 文档总数：N 份（Type-1~8: N份，图谱G1~G9: 9份）\n\n## 准确性\n| 指标 | 数值 | 状态 |\n| 总声明数 | N | — |\n| 有代码引用 | N (X%) | ✅\u002F❌ |\n| [UNVERIFIED] | N (X%) | ✅\u002F\u003C15% \u002F ⚠️15~25% \u002F ❌>25% |\n| AMBIGUOUS关系 | N | ✅\u002F⚠️ |\n\n## 结构质量（validate_kb.py 输出）\n（完整展示，不隐藏任何数字）\n\n## 跨文档一致性（k3-consistency-check.md 摘要）\n| 指标 | 数值 | 状态 |\n| 矛盾项 | N | ✅=0 \u002F ❌>0 |\n| 缺失引用 | N | ⚠️ |\n| G1偏差 | N | ⚠️ |\n| 一致率 | X% | 目标≥95% |\n\n## RAG 检索抽检\n| 测试问题 | 期望命中 | 实际命中 | 结果 |\n\n## AI 端到端验证\n| 指标 | 数值 | 状态 |\n| CORRECT | N\u002FM (X%) | — |\n| PARTIAL | N\u002FM (X%) | ⚠️ |\n| INCORRECT | N\u002FM (X%) | ❌ |\n| BOUNDARY_OK | N\u002FN | ✅ |\n| E2E 准确率 | X% | 目标≥80% |\n\nINCORRECT 详情：\n（每个 INCORRECT 的具体矛盾点和改进建议）\n\n## 待人工确认清单\n（[UNVERIFIED] 超标文档 + AMBIGUOUS 关系 + 矛盾项 + 死链接）\n\n## 建议\n（基于一致性校验 + E2E 验证的改进方向）\n```\n\n**完成后**：更新 `current_phase` 为 `\"completed\"`，流程结束。\n\n---\n\n## 输出目录结构\n\n```\n\u003Coutput_dir>\u002F\n├── README.md                           ← 知识库索引 + 检索路由规则 + 认知边界声明（AI 专用）\n├── {项目名} 技术架构.md                ← [Type-1] 架构总览（目标 ≤80KB，超过则自动拆分）\n├── {项目名} 技术架构-核心链路.md       ← [Type-1b] 仅当 Type-1 超 80KB 时拆出\n├── {项目名} 技术架构-AI元数据.md       ← [Type-1c] 仅当 Type-1 超 80KB 时拆出\n├── {项目名} 业务架构.md                ← [Type-2] 产品能力 + 生命周期 ~70KB\n├── {项目名} 部署架构.md                ← [Type-3] 部署拓扑 ~40KB\n├── XX_{组件名}设计说明.md × N          ← [Type-4] 每份 20~100KB\n├── XX_{项目名}核心API产品代码映射.md    ← [Type-5] 仅有产品文档时生成\n├── XX_{项目名}产品规则速查表.md         ← [Type-6]\n├── XX_{项目名}业务开发规范SOP.md       ← [Type-7]\n├── {知识增强文档} × N                  ← [Type-8] 反模式\u002FRPC契约\u002F排障\u002F知识文库\n└── graph\u002F                              ← [Type-9] Graph RAG 图谱文档集\n    ├── README.md                       ← 图谱索引 + 按问题类型查找\n    ├── G1_{项目名}组件依赖关系矩阵.md\n    ├── G2_{项目名}组件调用链路全景.md\n    ├── G3_{项目名}数据流与存储依赖图.md\n    ├── G4_{项目名}错误码组件映射表.md\n    ├── G5_{项目名}跨组件交互场景手册.md\n    ├── G6_{项目名}知识图谱三元组.md\n    ├── G7_{项目名}架构风险与影响面分析.md\n    ├── G8_{项目名}核心配置参数索引.md\n    └── G9_{项目名}业务规则约束矩阵.md\n\n_review\u002F                                ← 过程文件（不入知识库）\n├── progress.json                       ← 断点续传 + 增量更新状态\n├── metadata.json                       ← 代码基准版本\n├── interface-inventory.json            ← 接口扫描基准（Phase K1 Step 5）\n├── k1-architecture-map.md              ← 架构逆向结果（用户确认过）\n├── k2-doc-list.md                      ← 文档清单 + 准确性统计\n├── k3-consistency-check.md             ← 跨文档一致性校验报告（Phase K3 Step 3）\n└── k4-quality-report.md                ← 质量报告（含 E2E 验证结果）\n```\n\n---\n\n## 阶段间控制\n\n| 用户回复 | 行为 |\n|---------|------|\n| \"继续\" \u002F \"continue\" \u002F \"ok\" | 进入下一阶段 |\n| \"停止\" \u002F \"stop\" | 停止，已生成文件保持可用 |\n| 直接描述问题 | 调整后重新确认，再继续 |\n| 直接编辑文件后回复\"继续\" | 以修改后文件内容为准继续 |\n\n---\n\n## 约束\n\n- **主 Agent 不执行代码分析**：全部由专职 Agent 完成；启动前必须先 Read 对应 agent 文件\n- **严禁冗余输出**：生成文件直接 Write，禁止先在对话中打印完整内容\n- **组件文档命名**：`XX_{组件名}设计说明.md`（XX 为两位数编号，按依赖链顺序分配，底层组件编号小）\n- **无产品文档时**：Type-5\u002F6 可跳过或将约束值标注为 `[PRODUCT_DOC_MISSING]`，不得推测\n- **并行模式**：Type-4 批次必须同一消息并发发出所有 Agent calls；串行批次顺序执行\n\n### 诚实审计规则（Honesty Rules）\n\n- **禁止凭空发明**：图谱每条关系必须有组件文档明确依据，不得基于名称猜测\n- **置信度不得伪造**：EXTRACTED=1.0，INFERRED 按证据强度 0.4~0.9，AMBIGUOUS 0.1~0.3；禁用 0.5 默认值\n- **[UNVERIFIED] 不得隐藏**：超过 20% 则文档顶部加可见警告\n- **质量数字完整展示**：validate_kb.py 输出不得只展示通过项\n- **token 成本透明**：每批完成后展示读取文件数和估计 token 消耗\n- **不确定优先 AMBIGUOUS**：宁可标注待确认，也不删除或假装确定\n\n---\n\n## 与 TeamAI CLI 的配合（必读）\n\n| 阶段 | 命令 \u002F 路径 |\n|------|-------------|\n| Phase 0 结构基线 | `teamai codebase --extract \u003Crepo> --project \u003Cslug>`（writes `\u003Crepo>\u002Fteamwiki\u002F`） |\n| K3 后编译进 wiki | Skip. TeamAI does not ship a separate team-wiki CLI. Continue with this skill using `teamai` and the files under this skill directory. No extra plugin is required. |\n| 产品文档入图 | Skip. Same English note as above. |\n| 产品↔代码桥接 | Skip. Same English note as above. |\n| 一键刷新 | Use `teamai codebase --extract \u003Crepo> --project \u003Cslug> --incremental`, reusing the Phase 0 repository path and project slug even when running from another directory. Do not look for another CLI. |\n| 质量评估 | Use `scripts\u002Fvalidate_kb.py` and `teamai codebase --lint --output \u003Crepo>` to check `\u003Crepo>\u002Fteamwiki\u002F` (`--output` takes the repository root, not the `teamwiki\u002F` directory). Skip any extra evaluate binary. |\n\n**路径约定**（本 skill 安装后）：\n\n- 方法论：`references\u002Fmethodology\u002F*.md`（相对本 skill 目录）\n- Agent：`references\u002Fagents\u002Fkb-doc-generator.md`、`references\u002Fagents\u002Fgraph-rag-agent.md`\n- 脚本：`scripts\u002Fscan_repo.py`、`scripts\u002Fvalidate_kb.py`\n\n所有流程在本 skill（`references\u002F`、`scripts\u002F`）与 `teamai` CLI 内完成。No extra plugin is required.\n","# team-wiki-codebase — 大型代码库 AI 认知工程\n\n> 方法论与脚本位于本 skill 的 `references\u002F`、`scripts\u002F`（`teamai pull` 后出现在 `.cursor\u002Fskills\u002Fteam-wiki-codebase\u002F` 或 `.codebuddy\u002Fskills\u002Fteam-wiki-codebase\u002F`）。人类可读概览见 [README.md](.\u002FREADME.md)。\n> Phase 0 结构基线使用 `teamai codebase --extract`。TeamAI does not ship a separate team-wiki CLI. No extra plugin is required.\n\n**解决什么问题**：大型项目（10+ 仓库、数十微服务、迭代多年）让 AI 无法全局理解——上下文窗口装不下所有代码，组件关系散落各处，业务规则隐藏在深层调用链中。直接让 AI 读代码，既慢（海量 token）又不准（缺乏全局视角）。\n\n**怎么解决**：通过架构逆向工程，将海量代码系统化压缩为**结构化、可验证、AI-Native** 的深度知识库——每个结论可回溯到代码行，每条关系有置信度标注，每次更新有增量校验。AI 读知识库而非读源码，用约 **1\u002F50 的 token** 获得全局架构认知。\n\n## 使用方式\n\n```\n\u002Fteam-wiki-codebase                         # 默认：Standard（单 session 核心路径）\n\u002Fteam-wiki-codebase --deep                  # Deep：完整 K1~K4 + G1~G9\n\u002Fteam-wiki-codebase --update                # 增量更新已有 knowledge\u002F\n\u002Fteam-wiki-codebase continue                # 从 _review\u002Fprogress.json 断点继续\n```\n\n---\n\n## Agent 架构\n\n| Agent | 文件 | 启动时机 |\n|-------|------|---------|\n| 知识库文档生成 Agent | `references\u002Fagents\u002Fkb-doc-generator.md` | Phase K2 每批组件 |\n| Graph RAG Agent | `references\u002Fagents\u002Fgraph-rag-agent.md` | Phase K3 |\n\n**主 Agent 职责**：流程编排、确认点管理、progress.json 维护、质量报告汇总。\n\n---\n\n## 入口判断\n\n**每次激活时必须先执行此判断。**\n\n```\nIF 用户输入包含 \"--update\" 或 \"增量更新\":\n  → Update 模式\nELSE IF 用户输入包含 \"continue\" 或 \"继续\":\n  → Continue 模式\nELSE:\n  → 检查用户指定目录下是否有 _review\u002Fprogress.json\n  IF 存在 → 告知状态，等待\"继续上次\"或\"重新开始\"\n  ELSE    → Phase 0\n```\n\n---\n\n## Continue 模式\n\n```\nStep 1：定位 progress.json\nStep 2：读取解析，展示恢复摘要\nStep 3：根据 current_phase 跳转：\n  \"phase0_done\"              → Phase K1\n  \"phasek1_waiting_confirm\"  → 展示 k1-architecture-map.md，等待确认①\n  \"phasek1_confirmed\"        → Phase K2\n  \"phasek2_batch_N\"          → Phase K2 第 N 批继续（跳过已完成）\n  \"phasek2_waiting_confirm\"  → 等待确认②\n  \"phasek2_confirmed\"        → Phase K3\n  \"phasek3_done\"             → Phase K4\n  \"phasek4_done\"\u002F\"completed\" → 告知完成，询问是否 --update 或重跑某组件\n```\n\n---\n\n## Update 模式（增量更新）\n\n**触发**：`\u002Fteam-wiki-codebase --update` 或「增量更新」。\n**前提**：已有 completed 状态的 progress.json。\n\n```\nStep 1：读取 progress.json，获取 file_hash_cache\nStep 2：扫描 project_root，计算各文件当前 SHA256\nStep 3：对比 hash，分类：新增 \u002F 修改 \u002F 删除\nStep 4：展示变更摘要，等待用户确认：\n  ┌────────────────────────────────────┐\n  │ 变更摘要                            │\n  │ 新增: N 个文件                      │\n  │ 修改: N 个文件（含 Aurora.py 等）   │\n  │ 删除: N 个文件                      │\n  │ 受影响组件: [列表]                  │\n  │ 受影响图谱文档: G1\u002FG2\u002FG6\u002FG7        │\n  └────────────────────────────────────┘\nStep 5：仅重跑受影响范围：\n  - Phase K2：重新生成受影响组件的 Type-4 文档（覆盖写入）\n  - Phase K3 局部：更新涉及变更组件的图谱文档（G1\u002FG2\u002FG6\u002FG7）\n  - Phase K4：重新运行 validate_kb.py\nStep 6：更新 file_hash_cache + metadata.json commit SHA\nStep 7：组件级 diff（处理新增\u002F删除仓库或组件）\n  IF repos 列表与上次不同：\n    新增的仓库 → 对新仓库执行完整 K1 扫描，补充到组件清单，生成 Type-4 文档\n    删除的仓库 → 对应组件文档顶部加 `⚠️ [DEPRECATED] 此组件对应仓库已移除`\n    → 更新 k1-architecture-map.md 的组件清单\n    → 更新 G1 矩阵（移除已删除组件的行列，新增新组件行列）\n```\n\n---\n\n## progress.json 规范\n\n**路径**：`\u003Coutput_dir>\u002F..\u002F_review\u002Fprogress.json`\n\n```json\n{\n  \"version\": \"5\",\n  \"repos\": [\n    {\"name\": \"repo-a\", \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-a\", \"language\": \"go\"},\n    {\"name\": \"repo-b\", \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-b\", \"language\": \"python\"}\n  ],\n  \"output_dir\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Fknowledge\",\n  \"primary_language\": \"go\",\n  \"project_name\": \"ProjectName\",\n  \"scan_time\": \"2026-01-01T10:00:00Z\",\n  \"current_phase\": \"phasek2_batch_2\",\n  \"confirmed_phases\": [\"phase0\", \"phasek1\"],\n\n  \"service_map\": {\n    \"描述\": \"Phase K1 Step 3 构建的服务名→仓库映射表\",\n    \"ServiceA\": {\"repo\": \"repo-a\", \"entry\": \"cmd\u002FserviceA\u002Fmain.go\"},\n    \"ServiceB\": {\"repo\": \"repo-b\", \"entry\": \"app\u002Fmain.py\"}\n  },\n\n  \"kb_progress\": {\n    \"component_total\": 12,\n    \"components_done\": [\"Aurora\", \"Frame\"],\n    \"components_pending\": [\"CCDB\", \"Dispatcher\"],\n    \"type1_done\": false,\n    \"type2_done\": false,\n    \"type3_done\": false,\n    \"bridge_docs_done\": false,\n    \"graph_rag_done\": false\n  },\n\n  \"accuracy_stats\": {\n    \"total_claims\": 0,\n    \"verified\": 0,\n    \"unverified\": 0,\n    \"ambiguous_relations\": 0\n  },\n\n  \"interface_coverage\": {\n    \"描述\": \"接口数量对账结果，由 Phase K2 自校验填充\",\n    \"ComponentA\": {\"type\": \"HTTP\", \"scanned\": 13, \"documented\": 0, \"gap\": 13},\n    \"ComponentB\": {\"type\": \"MQ\",   \"scanned\": 5,  \"documented\": 0, \"gap\": 5}\n  },\n\n  \"consistency_check\": {\n    \"描述\": \"Phase K3 Step 3 跨文档一致性校验结果\",\n    \"contradictions\": 0,\n    \"missing_refs\": 0,\n    \"g1_deviations\": 0,\n    \"consistency_rate\": 0.0\n  },\n\n  \"e2e_validation\": {\n    \"描述\": \"Phase K4 Step 4 AI 端到端验证结果\",\n    \"total_questions\": 0,\n    \"correct\": 0,\n    \"partial\": 0,\n    \"incorrect\": 0,\n    \"boundary_ok\": 0,\n    \"boundary_fail\": 0,\n    \"accuracy_rate\": 0.0\n  },\n\n  \"file_hash_cache\": {\n    \"relative\u002Fpath\u002Fto\u002Ffile.go\": \"sha256_hex\"\n  }\n}\n```\n\n> `accuracy_stats` 在每批 Phase K2 完成后累加，是知识库可信度的全局指标。\n\n---\n\n## 核心原则（准确性优先）\n\n1. **代码为唯一事实来源**：每个结论必须有代码文件:行号 作为证据，无法验证的标 `[UNVERIFIED]`\n2. **置信度三态强制**：图谱中每条关系标 `EXTRACTED(1.0)` \u002F `INFERRED(0.6~0.9)` \u002F `AMBIGUOUS(0.1~0.3)`；禁止凭空发明，禁止用 0.5 默认值\n3. **两级准确性验证**：Phase K2 每份文档生成后立即自校验；Phase K4 全库质量检验\n4. **人在回路两次确认**：架构理解（K①）和组件文档质量（K②）必须人工确认，防止系统性错误扩散\n5. **并行生成 + 断点续传**：Type-4 组件文档并行分发（同一消息发出所有 Agent calls）；每批持久化 progress.json\n6. **Token 精简**：`Glob → Grep → Read` 三步法，禁止全量目录扫描\n7. **诚实审计**：`[UNVERIFIED]` 不得隐藏；质量数字完整展示；不确定用 AMBIGUOUS 不删除\n8. **认知边界声明**：知识库 README 必须明确声明覆盖范围和不覆盖范围，让 AI 知道何时应该说\"不确定\"\n9. **跨文档一致性**：Phase K3 强制交叉比对组件间关系描述，矛盾项必须修复后才计入\"一致\"\n10. **端到端可验证**：Phase K4 用标准化问题测试知识库实际回答能力，E2E 准确率目标 ≥ 80%\n\n---\n\n## Phase 0：初始化\n\n一次性向用户询问以下信息（**同一条消息，不分步骤**）：\n\n1. **项目所有代码仓库路径**（用户把整个项目涉及的所有仓库地址列出来）：\n   - 格式：每行一个绝对路径，或逗号分隔\n   - 示例：\n     ```\n     \u002Fpath\u002Fto\u002Fapi-gateway\n     \u002Fpath\u002Fto\u002Forder-service\n     \u002Fpath\u002Fto\u002Fuser-service\n     \u002Fpath\u002Fto\u002Fcommon-lib\n     ```\n   - 说明：这是最关键的一步。大型项目的代码散布在多个仓库中，必须**全部提供**才能构建完整的架构认知。遗漏仓库 = 知识库盲区。\n2. **项目名称**（用于文档命名，如 \"CVM\"、\"电商平台\"）\n3. **产品文档来源**（可选，提供则生成 Type-5\u002F6 桥梁文档）：\n   - API 文档目录路径\n   - 使用限制 \u002F FAQ 文档路径\n4. **输出路径**（默认：第一个仓库的父目录下的 `knowledge\u002F`）\n\n**Step 0A：仓库清单整理**\n\n收到用户提供的仓库列表后，构建仓库清单：\n\n```\nFOR 每个用户提供的路径:\n  1. 验证路径存在且可访问\n  2. 检测是否为 git 仓库（是否有 .git 目录）\n  3. 检测主要语言（按文件扩展名分布）\n  4. 统计代码规模（文件数 + 估算行数）\n  5. 记录 git commit SHA + tag\n\n结果写入 _review\u002Frepo-manifest.json：\n{\n  \"repos\": [\n    {\n      \"path\": \"\u002Fabsolute\u002Fpath\u002Fto\u002Frepo-a\",\n      \"name\": \"repo-a\",\n      \"language\": \"go\",\n      \"files\": 320,\n      \"lines_estimate\": 45000,\n      \"commit\": \"abc123\",\n      \"tag\": \"v1.2.0\",\n      \"accessible\": true\n    },\n    ...\n  ],\n  \"total_repos\": N,\n  \"inaccessible\": [\"path\u002Fto\u002Frepo-x（权限不足）\"]\n}\n```\n\n展示给用户确认：\n```\n已识别 {N} 个仓库：\n  ✅ repo-a (Go, ~45K 行)\n  ✅ repo-b (Python, ~12K 行)\n  ✅ repo-c (Go, ~28K 行)\n  ❌ repo-x (路径不存在或无法访问)\n\n总计: ~{N}K 行代码，{N} 个仓库\n确认无误后回复\"继续\"，或补充遗漏的仓库。\n```\n\n**Step 0B：自动检测主要语言**（按仓库列表汇总，不阻断流程）：\n```\n检测方法：汇总所有仓库的文件扩展名分布\n  .go 文件占比最高         → language: \"go\"\n  .py 文件占比最高         → language: \"python\"\n  .java 文件占比最高       → language: \"java\"\n  .ts\u002F.js 文件占比最高     → language: \"typescript\"\n  .rs 文件占比最高         → language: \"rust\"\n  多语言混合（无明显主导）  → language: \"mixed\"\n备注：language 字段用于接口扫描时选择 grep 模式（详见 Phase K1 Step 5）\n```\n\n**Step 0C：记录基准版本**：\n```bash\n# 对每个仓库分别记录\nFOR repo in repos:\n  git -C \u003Crepo.path> rev-parse HEAD 2>\u002Fdev\u002Fnull\n  git -C \u003Crepo.path> describe --tags --always 2>\u002Fdev\u002Fnull\n```\n写入 `_review\u002Fmetadata.json`：\n```json\n{\n  \"project_name\": \"CVM\",\n  \"scan_time\": \"\u003CISO8601>\",\n  \"repos\": [\n    {\"name\": \"repo-a\", \"commit\": \"\u003Csha>\", \"tag\": \"\u003Ctag>\"},\n    {\"name\": \"repo-b\", \"commit\": \"\u003Csha>\", \"tag\": \"\u003Ctag>\"}\n  ]\n}\n```\n\n**Step 0D：CLI 结构基线（每个代码仓库，推荐）**\n\n在 K1 深读之前，用 TeamAI 提取可证据化的 import\u002Fcall 结构边（Python\u002FGo\u002FTS 等，`code-ast`）并与 regex 基线合并（`code-heuristic`）：\n\n```bash\n# For each repo. Writes \u003Crepo>\u002Fteamwiki\u002F (evidence pages + .indices\u002Fgraph-index.json).\n# Existing flags only: --extract [path], optional --project \u003Cslug>, optional --incremental.\nteamai codebase --extract \u003Crepo_abs_path> --project \u003Cproject_slug>\n```\n\n- Output: `teamwiki\u002Fevidence\u002Fcode\u002F\u003Cproject>\u002F` pages; `teamwiki\u002F.indices\u002Fgraph-index.json` (structural edges).\n- K1\u002FK2\u002FK3 写 `_manifest.json` 的 `edges[]` 时：**优先引用** extract 的 `code-ast` 边 + `evidenceRefs`（`path:line`），Agent 推断标 `INFERRED`\u002F`AMBIGUOUS`。\n- After Phase K3, skip any extra graph compile \u002F merge step that is not a `teamai` command. TeamAI does not ship a separate team-wiki CLI. Continue with this skill using `teamai` and the files under this skill directory. No extra plugin is required.\n\n写入初始 progress.json（current_phase: \"phase0_done\"），进入 **Phase K1**。\n\n---\n\n## Phase K1：架构逆向与源材料采集\n\n**方法论**：`references\u002Fmethodology\u002Fphase0-collection.md` + `references\u002Fmethodology\u002Fphase1-reverse-engineering.md`\n\n### Step 1：可选运行扫描脚本（推荐）\n\n```bash\npython3 scripts\u002Fscan_repo.py \u003Cproject_root> --depth 2 --top 10\n```\n输出：文件统计 + 关键文件发现报告 + 语言分布。\n\n### Step 2：关键文件提取\n\n按优先级扫描（详见 phase0-collection.md）：\n- **P0 必须**：入口文件、路由\u002FHandler、流程编排配置、Proto\u002FIDL\n- **P1 重要**：数据库 Schema（DDL）、常量\u002F错误码定义\n- **P2 增强**：配置文件、测试文件（理解预期行为）\n\n### Step 3：架构逆向（详见 phase1-reverse-engineering.md）\n\n- 自底向上分层：叶子节点(DB\u002FMQ) → 中间节点(编排\u002F调度) → 根节点(API入口)\n- 三层穿透追踪：对核心 API ≥5 条完成 API入口→编排层→服务执行层 全链路追踪\n- 构建 N×N 组件关系矩阵（标注通信方式：RPC\u002FMQ\u002FDB）\n\n### Step 4：生成架构分析报告\n\n写入 `_review\u002Fk1-architecture-map.md`：\n\n```markdown\n## 架构分层（≥4层）\n| 层级 | 组件列表 | 核心职责 | 代码仓库 |\n\n## 组件清单\n| 组件名 | 架构层级 | **所属仓库** | 语言 | 核心度(P0\u002FP1\u002FP2) | 入口文件 | **接口校验类型** |\n\n接口校验类型取值（在确认点①请用户核对此列）：\n  - `HTTP`    → API 接入层，有 HTTP\u002FgRPC 路由注册，需做接口数对账\n  - `MQ`      → 消息处理层，有 MQ Consumer\u002FExchange 声明，以 Topic 数做基准\n  - `RPC`     → 内部服务层，有 .proto \u002F .thrift \u002F IDL 文件，以 Method 数做基准\n  - `NONE`    → 调度\u002F执行\u002F数据层，无对外接口，不做接口数校验\n\n## N×N 组件通信矩阵\n（值：RPC\u002FMQ\u002FDB\u002F—，标注置信度 [E]EXTRACTED\u002F[I]INFERRED\u002F[A]AMBIGUOUS）\n\n## 核心调用链路（≥5条）\n（格式：API(file:line) → 编排层(config:line) → 服务层(handler:line) → DB(table)）\n\n## 术语表\n| 内部术语 | 外部\u002F产品术语 | 说明 |\n\n## 不确定项（供人工确认）\n（标注 [A] 的关系和推断，说明不确定原因）\n（接口校验类型不确定的组件，标注 [?] 等用户在确认点①明确）\n```\n\n### Step 5：接口清单扫描（按校验类型分别执行）\n\n**仅对 k1-architecture-map.md 中接口校验类型 ≠ NONE 的组件执行**：\n\n```\nFOR 每个 接口校验类型 = HTTP 的组件:\n  执行 grep 扫描：\n    Go:   grep -rn \"\\.GET\\|\\.POST\\|\\.PUT\\|\\.DELETE\\|router\\.Handle\\|@handler\" \u003Ccomponent_dir>\n    Python: grep -rn \"@app\\.route\\|@router\\.\\|APIRouter\\|include_router\" \u003Ccomponent_dir>\n  记录：组件名 → HTTP接口数 N（SCAN_CONFIDENCE: HIGH\u002FMEDIUM）\n\nFOR 每个 接口校验类型 = MQ 的组件:\n  执行 grep 扫描：\n    grep -rn \"Exchange\\|Queue\\|Topic\\|consumer\\|subscribe\\|@KafkaListener\" \u003Ccomponent_dir>\n  记录：组件名 → MQ Topic\u002FQueue 数 N\n\nFOR 每个 接口校验类型 = RPC 的组件:\n  解析 .proto \u002F .thrift 文件：\n    find \u003Ccomponent_dir> -name \"*.proto\" -o -name \"*.thrift\" | xargs grep \"^rpc\\|^service\"\n  记录：组件名 → RPC Method 数 N\n```\n\n结果写入 `_review\u002Finterface-inventory.json`：\n```json\n{\n  \"ComponentA\": {\"type\": \"HTTP\", \"count\": 13, \"confidence\": \"HIGH\"},\n  \"ComponentB\": {\"type\": \"MQ\",   \"count\": 5,  \"confidence\": \"MEDIUM\"},\n  \"ComponentC\": {\"type\": \"RPC\",  \"count\": 8,  \"confidence\": \"HIGH\"},\n  \"ComponentD\": {\"type\": \"NONE\", \"count\": 0,  \"confidence\": \"—\"}\n}\n```\n\n**完成后**：更新 `current_phase` 为 `\"phasek1_waiting_confirm\"`。\n\n**⛔ 确认点①** — 等待用户明确回复，不得自动进入下一阶段。\n\n展示给用户：\n```\n架构分析完成。\n\n组件清单（共 N 个）：\n  P0 核心: [列表]\n  P1 重要: [列表]\n  P2 辅助: [列表]\n\n接口扫描结果（供校验用）：\n  HTTP 接口：ComponentA 13个, ComponentB 7个\n  MQ Topic：  ComponentC 5个\n  RPC Method：ComponentD 8个\n  无接口组件：ComponentE, ComponentF, ...\n\nAMBIGUOUS 关系（请明确）：\n  - ComponentX → ComponentY 的通信方式不确定\n\n请确认（直接编辑 k1-architecture-map.md 后回复\"继续\"）：\n  1. 架构分层和 P0\u002FP1\u002FP2 标注是否正确？\n  2. 每个组件的接口校验类型（HTTP\u002FMQ\u002FRPC\u002FNONE）是否准确？\n  3. 接口扫描数量是否合理？明显偏少说明有遗漏，偏多可能扫到了测试文件。\n```\n\n确认后：更新 `\"phasek1_confirmed\"` → Phase K2。\n\n---\n\n## Phase K2：文档生成（分批并行 + 中间质量确认）\n\n**方法论**：`references\u002Fmethodology\u002Fphase2-document-types.md`\n\n### 生成顺序（依赖链驱动，底层先写）\n\n```\n批次1: 数据层 + 基础执行层 Type-4 组件文档    ← 并行\n批次2: 资源\u002F调度层 Type-4 组件文档            ← 并行\n批次3: 消息\u002F服务层 Type-4 组件文档            ← 并行\n批次4: API入口层 Type-4 组件文档              ← 并行\n           ⛔ 确认点② ← 人工抽查组件文档质量\n批次5: 架构总览层 (Type-1 + Type-2 + Type-3) ← 串行（依赖上层全部完成）\n批次6: 桥梁文档 (Type-5 + Type-6 + Type-7)   ← 串行（依赖产品文档）\n批次7: 知识增强 (Type-8: 反模式\u002FRPC契约\u002F排障) ← 串行\n```\n\n### 每批执行流程\n\n读取 `references\u002Fagents\u002Fkb-doc-generator.md`，拼装输入包并启动：\n\n```\ncomponent_list:    本批次组件\u002F文档类型列表\narchitecture_map:  _review\u002Fk1-architecture-map.md 完整内容\nrepos:             _review\u002Frepo-manifest.json 中的仓库列表\nservice_map:       progress.json 中的 service_map\noutput_dir:        \u003CPhase 0>\nproject_name:      \u003CPhase 0>\nproduct_docs_dir:  \u003CPhase 0，可为空>\nmethodology_dir:   references\u002Fmethodology\u002F\ncompleted_docs:    kb_progress.components_done（断点恢复跳过）\nparallel_mode:     true（批次1~4）\u002F false（批次5~7）\n```\n\n每批完成后：\n- 将完成组件追加到 `kb_progress.components_done`\n- 累加 `accuracy_stats`（从 Agent 返回的自校验摘要中提取）\n- 更新 `current_phase` 为 `\"phasek2_batch_N\"`\n- 展示本批次 token 消耗和 `[UNVERIFIED]` 统计\n\n### ⛔ 确认点②（批次1~4完成后）\n\n展示给用户：\n```\n已生成 {N} 份组件设计文档。准确性统计：\n  总声明数: {N} | 已验证: {N} | [UNVERIFIED]: {N}（{X}%）\n  AMBIGUOUS 关系: {N} 条\n\n请抽查 2~3 份文档（建议选最复杂的组件）：\n  路径：\u003Coutput_dir>\u002FXX_\u003C组件名>设计说明.md\n\n确认要点：\n  1. AI 快速理解表的代码入口是否精确到函数名？\n  2. 核心流程描述是否与代码实际一致？\n  3. [UNVERIFIED] 比例是否可接受？（建议 \u003C15%）\n\n如发现系统性问题，请描述，我将调整策略后重新生成。\n```\n\n更新 `current_phase` 为 `\"phasek2_waiting_confirm\"`。\n用户确认后更新为 `\"phasek2_confirmed\"`，继续批次5~7。\n\n### 全部批次完成后\n\n写入 `_review\u002Fk2-doc-list.md`（文档清单：路径 + 规模KB + [UNVERIFIED]数 + 生成时间）。\n更新 `current_phase` 为 `\"phasek2_done\"` → Phase K3。\n\n---\n\n## Phase K3：AI-Native 增强 + 图谱文档集\n\n**方法论**：`references\u002Fmethodology\u002Fphase3-ai-enhancement.md`\n\n### Step 1：AI-Native 元素注入\n\n对所有已生成文档补充（如 Phase K2 的 Agent 未完整添加）：\n\n| 元素 | 要求 | 适用范围 |\n|------|------|---------|\n| `search-anchor` | 5~15 个关键词，标题后第一行 | 所有文档 |\n| AI 快速理解表 | 10 维度，紧跟标题 | 所有 Type-4 组件文档 |\n| 双向链接 | 组件↔主架构，桥梁↔组件 | 所有文档 |\n| 检索路由规则 | 4条分流规则 + 4级优先级 | 仅技术架构总览 |\n| QA 对 | 10~20 个高频问题+答案引用 | 仅技术架构总览第9章 |\n\n### Step 2：Graph RAG 图谱文档集\n\n读取 `references\u002Fagents\u002Fgraph-rag-agent.md`，拼装输入包并启动：\n\n```\nall_kb_docs_dir:  \u003Coutput_dir>\narchitecture_map: _review\u002Fk1-architecture-map.md\ndoc_list:         _review\u002Fk2-doc-list.md\nproject_name:     \u003CPhase 0>\noutput_dir:       \u003Coutput_dir>\u002Fgraph\u002F\nmethodology_file: references\u002Fmethodology\u002Fphase2-document-types.md\n```\n\n生成 G1~G9（每条关系强制置信度三态标注）：\n\n| 图谱文档 | 解决的问题 | 置信度要求 |\n|---------|---------|-----------|\n| G1 组件依赖关系矩阵 | \"谁依赖 X？\" | EXTRACTED 来自文档明确描述 |\n| G2 调用链路全景 + 状态机 + 约束矩阵 | \"API 经过哪些模块？\" | 调用链 EXTRACTED，推断依赖 INFERRED |\n| G3 数据流与存储依赖图 | \"数据存哪里？\" | 读写关系 EXTRACTED |\n| G4 错误码组件映射表 | \"错误码是哪个模块的？\" | EXTRACTED |\n| G5 跨组件交互场景手册（≥10个时序图） | \"配额检查怎么做？\" | 时序 EXTRACTED，边界 INFERRED |\n| G6 知识图谱三元组（≥100条） | \"A 间接依赖谁？\" | 每条标 E\u002FI\u002FA + 分值 |\n| G7 架构风险与影响面分析 | \"X 挂了影响多大？\" | 直接依赖 EXTRACTED，间接 INFERRED |\n| G8 核心配置参数索引 | \"怎么改 XX 配置？\" | EXTRACTED 来自配置文件 |\n| G9 业务规则约束矩阵 + AI 推理决策树 | \"能不能做 XX？\" | 规则 EXTRACTED，推断 INFERRED |\n\n同时生成 `\u003Coutput_dir>\u002Fgraph\u002FREADME.md`（索引 + 按问题类型查找表 + 检索路由建议）。\n\n### Step 3：跨文档一致性校验\n\n**Graph RAG Agent 完成后，主 Agent 自行执行此步骤（不委托给子 Agent）。**\n\n目的：检测组件文档之间的矛盾描述，防止\"A 说调用 B 用 RPC，B 说被 A 用 MQ 调用\"这类不一致。\n\n```\nStep 3A：构建\"声称矩阵\"\n\n  对每份 Type-4 组件文档，从**两个层面**提取关系声称：\n  \n  层面1：AI 快速理解表中的\"上游组件\"和\"下游组件\"字段\n  层面2：正文中的接口设计章节、核心流程章节中的调用描述\n  \n  如果层面1和层面2对同一关系描述不一致 → 首先记录为\"文档内矛盾\"（比表头和正文优先级更高的问题）\n  \n  提取示例：\n    组件X.md 表头声称: X→Y(RPC), X→Z(MQ)\n    组件X.md 正文声称: X→Z(HTTP)  ← 与表头矛盾！\n    组件Y.md 表头声称: Y←X(RPC), Y→Z(DB)\n    组件Z.md 表头声称: Z←X(HTTP), Z←Y(DB)\n\nStep 3B：交叉比对\n\n  FOR 每对组件 (A, B):\n    IF A.md 声称 \"A→B 用 RPC\" AND B.md 声称 \"B←A 用 MQ\":\n      → 记录矛盾: \"A→B 通信方式不一致: A说RPC, B说MQ\"\n    IF A.md 声称 \"A→B\" BUT B.md 未提到 \"被A调用\":\n      → 记录缺失: \"A声称调用B，但B的文档未提及被A调用\"\n    IF G1矩阵中的关系 与 组件文档声称不一致:\n      → 记录偏差: \"G1矩阵说A→B(RPC)，但A的文档说A→B(MQ)\"\n\nStep 3C：生成一致性报告\n\n  写入 `_review\u002Fk3-consistency-check.md`：\n\n  ```markdown\n  # 跨文档一致性校验报告\n\n  ## 矛盾项（必须修复）\n  | 组件A | 组件B | A的描述 | B的描述 | 矛盾类型 |\n  |-------|-------|---------|---------|---------|\n  | X | Z | X→Z(MQ) | Z←X(HTTP) | 通信方式不一致 |\n\n  ## 缺失项（建议补充）\n  | 声称方 | 被引用方 | 声称内容 | 缺失 |\n  |--------|---------|---------|------|\n  | A | B | A→B(RPC) | B的文档未提及被A调用 |\n\n  ## G1矩阵偏差（建议对齐）\n  | G1矩阵 | 组件文档 | 偏差 |\n\n  ## 统计\n  - 矛盾项: N 处（❌ 需修复）\n  - 缺失项: N 处（⚠️ 建议补充）\n  - G1偏差: N 处（⚠️ 需对齐）\n  - 一致关系: N 条（✅）\n  - 一致率: X%\n  ```\n\nStep 3D：自动修复（仅限明确情况）\n\n  IF 矛盾项 > 0:\n    FOR 每个矛盾项:\n      回溯代码验证：用 Grep 查找实际的调用方式（如 rpc.Call \u002F mq.Publish）\n      IF 能明确正确方 → 修复错误方文档中的描述 + 更新 G1 矩阵\n      IF 无法明确 → 标记为 AMBIGUOUS，留待用户在确认点确认\n    修复后重新统计一致率\n\n  IF 矛盾项 = 0:\n    → 跳过修复，直接进入 Phase K4\n```\n\n**完成后**：更新 `current_phase` 为 `\"phasek3_done\"` → Phase K4。\n\n---\n\n## Phase K4：知识库质量评估与报告\n\n**方法论**：`references\u002Fmethodology\u002Fphase4-quality.md`\n\n### Step 1：自动校验\n\n```bash\npython3 scripts\u002Fvalidate_kb.py \u003Coutput_dir>\n```\n\n输出（**必须完整展示，不得只展示通过项**）：\n```\n链接完整性:     ✅\u002F❌  N 个死链接\nsearch-anchor:  ✅\u002F⚠️  覆盖率 N\u002FM (X%)\nAI 快速理解表:  ✅\u002F⚠️  覆盖率 N\u002FM (X%)\n双向链接:       ✅\u002F⚠️  覆盖率 N\u002FM (X%)\nREADME 索引:    ✅\u002F⚠️  收录率 N\u002FM (X%)\n```\n\n### Step 2：准确性审计\n\n从 `accuracy_stats` 汇总全库可信度，同时从 `interface_coverage` 汇总接口覆盖情况：\n\n```\n【内容准确性】\n总声明数:            N 条（业务规则 + 接口描述 + 关系）\n已验证(有代码引用):   N 条 (X%)\n[UNVERIFIED]:        N 条 (X%)\nAMBIGUOUS 关系:      N 条 (X%)\n\n【接口覆盖率】（仅统计 HTTP\u002FMQ\u002FRPC 类型组件，NONE 类型不计入）\nHTTP 接口:   文档记录 M 个 \u002F 扫描基准 N 个 = X%\nMQ Topic:    文档记录 M 个 \u002F 扫描基准 N 个 = X%\nRPC Method:  文档记录 M 个 \u002F 扫描基准 N 个 = X%\n综合覆盖率:  X%    目标 ≥ 90%\n\n⚠️ 接口缺口清单（文档记录 \u003C 扫描基准 的组件）：\n  - ComponentA: 文档记录 8 个，扫描基准 13 个，缺口 5 个 → 建议补充\n```\n\n⚠️ 需人工确认清单：（[UNVERIFIED] > 20% 的文档 + 接口缺口组件 + AMBIGUOUS 关系）\n\n### Step 3：RAG 检索抽检\n\n按 `phase4-quality.md §RAG检索测试用例` 测试 7 类问题各 1 个（详见方法论），记录命中率。\n\n### Step 4：AI 端到端验证（E2E Validation）\n\n**核心思路**：用知识库回答一组标准化问题，然后**回溯代码验证答案正确性**，检测知识库是否能让 AI 给出正确答案。\n\n```\nStep 4A：生成标准验证问题集（自动，基于已有文档）\n\n  **优先使用用户提供的外部验证集**：\n  IF 用户在 Phase 0 或此时提供了验证问题列表（3~10 个真实业务问题）:\n    → 优先使用用户问题作为验证集（标注来源: USER）\n    → 自动补充至 10~15 题（标注来源: AUTO）\n  ELSE:\n    → 全部自动生成（标注来源: AUTO）\n  \n  > 用户提供的问题更有价值，因为 AI 自己出题容易考自己已知的领域，\n  > 真正的盲区（AI 没理解但没意识到的）只有外部问题才能测到。\n\n  从 k1-architecture-map.md 和 k2-doc-list.md 自动生成 10~15 个验证问题：\n\n  问题类型分布（至少覆盖以下 5 类）：\n\n  ┌────────────────────────────────────────────────────────────────────┐\n  │ 类型1：组件职责（3题）                                              │\n  │   模式：\"\u003C组件名> 的核心职责是什么？代码入口在哪？\"                    │\n  │   验证方式：答案中的函数名\u002F文件名必须在代码中存在                      │\n  │                                                                    │\n  │ 类型2：调用关系（3题）                                              │\n  │   模式：\"\u003C组件A> 和 \u003C组件B> 之间是什么关系？通过什么方式通信？\"         │\n  │   验证方式：答案与 G1 矩阵 + 代码实际 import\u002Fcall 一致               │\n  │                                                                    │\n  │ 类型3：操作约束（2题）                                              │\n  │   模式：\"在 \u003C状态X> 下能否执行 \u003C操作Y>？\"                            │\n  │   验证方式：答案与 G9 约束矩阵 + 代码中的状态检查一致                 │\n  │                                                                    │\n  │ 类型4：数据流向（2题）                                              │\n  │   模式：\"\u003C操作Z> 最终会写入哪些表\u002F队列？\"                             │\n  │   验证方式：答案与 G3 数据流 + 代码实际 SQL\u002FMQ 操作一致               │\n  │                                                                    │\n  │ 类型5：错误排查（2题）                                              │\n  │   模式：\"错误码 \u003CXXX> 是什么意思？在哪个组件产生？\"                    │\n  │   验证方式：答案与 G4 错误码映射 + 代码中的错误定义一致               │\n  │                                                                    │\n  │ 类型6（可选）：认知边界测试（2题）                                    │\n  │   模式：故意问知识库不覆盖的内容（如第三方 SDK 内部、历史架构变迁）     │\n  │   验证方式：AI 应回答\"超出知识库覆盖范围\"而非幻觉                     │\n  └────────────────────────────────────────────────────────────────────┘\n\nStep 4B：用知识库回答（模拟 AI 使用场景）\n\n  FOR 每个验证问题:\n    1. 假设只能读知识库文档，不能直接读代码\n    2. 按检索路由规则，找到对应文档\n    3. 从文档中提取答案\n\nStep 4C：代码回溯验证\n\n  FOR 每个答案:\n    1. 用 Grep\u002FRead 直接在代码中验证关键声明\n    2. 判定结果：\n       ✅ CORRECT     — 答案与代码一致\n       ⚠️ PARTIAL     — 答案部分正确，有遗漏或不精确\n       ❌ INCORRECT   — 答案与代码矛盾\n       🔇 BOUNDARY_OK — 认知边界问题，正确拒绝回答（仅类型6）\n       🔇 BOUNDARY_FAIL — 认知边界问题，错误地给出了答案（仅类型6）\n\nStep 4D：写入验证报告\n\n  追加到 k4-quality-report.md 的 ## AI 端到端验证 章节：\n\n  | 问题 | 类型 | 检索文档 | AI答案摘要 | 代码验证 | 结果 |\n  |------|------|---------|-----------|---------|------|\n  | Aurora 核心职责？ | 组件职责 | 03_Aurora设计说明.md | 调度编排... | scheduler.go:42 | ✅ |\n  | A→B 通信方式？ | 调用关系 | G1矩阵 | RPC | import rpc_client | ✅ |\n  | 状态X下能否操作Y？ | 操作约束 | G9矩阵 | 不能 | check_state.go:88 | ✅ |\n  | 第三方SDK内部？ | 认知边界 | — | 超出范围 | — | 🔇 OK |\n\n  统计：\n    CORRECT: N\u002FM (X%)\n    PARTIAL: N\u002FM (X%)\n    INCORRECT: N\u002FM (X%) — ❌ 每个 INCORRECT 必须列出具体矛盾点\n    BOUNDARY_OK: N\u002FN\n    BOUNDARY_FAIL: N\u002FN\n\n    E2E 准确率 = (CORRECT + BOUNDARY_OK) \u002F 总题数\n    目标: ≥ 80%\n```\n\n**如果 E2E 准确率 \u003C 80%**：在质量报告\"建议\"章节列出需要改进的文档和具体问题。\n\n### Step 5：生成质量报告\n\n写入 `_review\u002Fk4-quality-report.md`：\n\n```markdown\n# 知识库质量报告\n\n## 概览\n- 代码基准：\u003Ccommit SHA> (\u003Ctag>)\n- 生成时间：\u003CISO8601>\n- 文档总数：N 份（Type-1~8: N份，图谱G1~G9: 9份）\n\n## 准确性\n| 指标 | 数值 | 状态 |\n| 总声明数 | N | — |\n| 有代码引用 | N (X%) | ✅\u002F❌ |\n| [UNVERIFIED] | N (X%) | ✅\u002F\u003C15% \u002F ⚠️15~25% \u002F ❌>25% |\n| AMBIGUOUS关系 | N | ✅\u002F⚠️ |\n\n## 结构质量（validate_kb.py 输出）\n（完整展示，不隐藏任何数字）\n\n## 跨文档一致性（k3-consistency-check.md 摘要）\n| 指标 | 数值 | 状态 |\n| 矛盾项 | N | ✅=0 \u002F ❌>0 |\n| 缺失引用 | N | ⚠️ |\n| G1偏差 | N | ⚠️ |\n| 一致率 | X% | 目标≥95% |\n\n## RAG 检索抽检\n| 测试问题 | 期望命中 | 实际命中 | 结果 |\n\n## AI 端到端验证\n| 指标 | 数值 | 状态 |\n| CORRECT | N\u002FM (X%) | — |\n| PARTIAL | N\u002FM (X%) | ⚠️ |\n| INCORRECT | N\u002FM (X%) | ❌ |\n| BOUNDARY_OK | N\u002FN | ✅ |\n| E2E 准确率 | X% | 目标≥80% |\n\nINCORRECT 详情：\n（每个 INCORRECT 的具体矛盾点和改进建议）\n\n## 待人工确认清单\n（[UNVERIFIED] 超标文档 + AMBIGUOUS 关系 + 矛盾项 + 死链接）\n\n## 建议\n（基于一致性校验 + E2E 验证的改进方向）\n```\n\n**完成后**：更新 `current_phase` 为 `\"completed\"`，流程结束。\n\n---\n\n## 输出目录结构\n\n```\n\u003Coutput_dir>\u002F\n├── README.md                           ← 知识库索引 + 检索路由规则 + 认知边界声明（AI 专用）\n├── {项目名} 技术架构.md                ← [Type-1] 架构总览（目标 ≤80KB，超过则自动拆分）\n├── {项目名} 技术架构-核心链路.md       ← [Type-1b] 仅当 Type-1 超 80KB 时拆出\n├── {项目名} 技术架构-AI元数据.md       ← [Type-1c] 仅当 Type-1 超 80KB 时拆出\n├── {项目名} 业务架构.md                ← [Type-2] 产品能力 + 生命周期 ~70KB\n├── {项目名} 部署架构.md                ← [Type-3] 部署拓扑 ~40KB\n├── XX_{组件名}设计说明.md × N          ← [Type-4] 每份 20~100KB\n├── XX_{项目名}核心API产品代码映射.md    ← [Type-5] 仅有产品文档时生成\n├── XX_{项目名}产品规则速查表.md         ← [Type-6]\n├── XX_{项目名}业务开发规范SOP.md       ← [Type-7]\n├── {知识增强文档} × N                  ← [Type-8] 反模式\u002FRPC契约\u002F排障\u002F知识文库\n└── graph\u002F                              ← [Type-9] Graph RAG 图谱文档集\n    ├── README.md                       ← 图谱索引 + 按问题类型查找\n    ├── G1_{项目名}组件依赖关系矩阵.md\n    ├── G2_{项目名}组件调用链路全景.md\n    ├── G3_{项目名}数据流与存储依赖图.md\n    ├── G4_{项目名}错误码组件映射表.md\n    ├── G5_{项目名}跨组件交互场景手册.md\n    ├── G6_{项目名}知识图谱三元组.md\n    ├── G7_{项目名}架构风险与影响面分析.md\n    ├── G8_{项目名}核心配置参数索引.md\n    └── G9_{项目名}业务规则约束矩阵.md\n\n_review\u002F                                ← 过程文件（不入知识库）\n├── progress.json                       ← 断点续传 + 增量更新状态\n├── metadata.json                       ← 代码基准版本\n├── interface-inventory.json            ← 接口扫描基准（Phase K1 Step 5）\n├── k1-architecture-map.md              ← 架构逆向结果（用户确认过）\n├── k2-doc-list.md                      ← 文档清单 + 准确性统计\n├── k3-consistency-check.md             ← 跨文档一致性校验报告（Phase K3 Step 3）\n└── k4-quality-report.md                ← 质量报告（含 E2E 验证结果）\n```\n\n---\n\n## 阶段间控制\n\n| 用户回复 | 行为 |\n|---------|------|\n| \"继续\" \u002F \"continue\" \u002F \"ok\" | 进入下一阶段 |\n| \"停止\" \u002F \"stop\" | 停止，已生成文件保持可用 |\n| 直接描述问题 | 调整后重新确认，再继续 |\n| 直接编辑文件后回复\"继续\" | 以修改后文件内容为准继续 |\n\n---\n\n## 约束\n\n- **主 Agent 不执行代码分析**：全部由专职 Agent 完成；启动前必须先 Read 对应 agent 文件\n- **严禁冗余输出**：生成文件直接 Write，禁止先在对话中打印完整内容\n- **组件文档命名**：`XX_{组件名}设计说明.md`（XX 为两位数编号，按依赖链顺序分配，底层组件编号小）\n- **无产品文档时**：Type-5\u002F6 可跳过或将约束值标注为 `[PRODUCT_DOC_MISSING]`，不得推测\n- **并行模式**：Type-4 批次必须同一消息并发发出所有 Agent calls；串行批次顺序执行\n\n### 诚实审计规则（Honesty Rules）\n\n- **禁止凭空发明**：图谱每条关系必须有组件文档明确依据，不得基于名称猜测\n- **置信度不得伪造**：EXTRACTED=1.0，INFERRED 按证据强度 0.4~0.9，AMBIGUOUS 0.1~0.3；禁用 0.5 默认值\n- **[UNVERIFIED] 不得隐藏**：超过 20% 则文档顶部加可见警告\n- **质量数字完整展示**：validate_kb.py 输出不得只展示通过项\n- **token 成本透明**：每批完成后展示读取文件数和估计 token 消耗\n- **不确定优先 AMBIGUOUS**：宁可标注待确认，也不删除或假装确定\n\n---\n\n## 与 TeamAI CLI 的配合（必读）\n\n| 阶段 | 命令 \u002F 路径 |\n|------|-------------|\n| Phase 0 结构基线 | `teamai codebase --extract \u003Crepo> --project \u003Cslug>`（writes `\u003Crepo>\u002Fteamwiki\u002F`） |\n| K3 后编译进 wiki | Skip. TeamAI does not ship a separate team-wiki CLI. Continue with this skill using `teamai` and the files under this skill directory. No extra plugin is required. |\n| 产品文档入图 | Skip. Same English note as above. |\n| 产品↔代码桥接 | Skip. Same English note as above. |\n| 一键刷新 | Use `teamai codebase --extract \u003Crepo> --project \u003Cslug> --incremental`, reusing the Phase 0 repository path and project slug even when running from another directory. Do not look for another CLI. |\n| 质量评估 | Use `scripts\u002Fvalidate_kb.py` and `teamai codebase --lint --output \u003Crepo>` to check `\u003Crepo>\u002Fteamwiki\u002F` (`--output` takes the repository root, not the `teamwiki\u002F` directory). Skip any extra evaluate binary. |\n\n**路径约定**（本 skill 安装后）：\n\n- 方法论：`references\u002Fmethodology\u002F*.md`（相对本 skill 目录）\n- Agent：`references\u002Fagents\u002Fkb-doc-generator.md`、`references\u002Fagents\u002Fgraph-rag-agent.md`\n- 脚本：`scripts\u002Fscan_repo.py`、`scripts\u002Fvalidate_kb.py`\n\n所有流程在本 skill（`references\u002F`、`scripts\u002F`）与 `teamai` CLI 内完成。No extra plugin is required.\n",{"name":5,"description":7},"main","d69096e239f2a89aabc2cd078c47664a9d3b1e11","03-逆向工程\u002Fteam-wiki-codebase",3,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts","https:\u002F\u002Fgithub.com\u002Flza6","个人vx：Tf00798\r\n个人✈：@TFGY999","2026-10-08 14:29:22",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add lza6\u002FArmor-piercing-system-prompts --skill team-wiki-codebase",{"tool":38,"command":39},"bunx","bunx skills add lza6\u002FArmor-piercing-system-prompts --skill team-wiki-codebase",{"tool":41,"command":42},"pnpm","pnpm dlx skills add lza6\u002FArmor-piercing-system-prompts --skill team-wiki-codebase","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002FSKILL.md",true,[46,52,56,60,64,68,72,76,80],{"path":47,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":50,"sourceHtmlUrl":51},"README.md","REFERENCE","参考文档",5435,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002FREADME.md",{"path":53,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":54,"sourceHtmlUrl":55},"references\u002Fagents\u002Fgraph-rag-agent.md",12661,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fagents\u002Fgraph-rag-agent.md",{"path":57,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":58,"sourceHtmlUrl":59},"references\u002Fagents\u002Fkb-doc-generator.md",13484,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fagents\u002Fkb-doc-generator.md",{"path":61,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":62,"sourceHtmlUrl":63},"references\u002Fmethodology\u002Fphase0-collection.md",3292,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fmethodology\u002Fphase0-collection.md",{"path":65,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":66,"sourceHtmlUrl":67},"references\u002Fmethodology\u002Fphase1-reverse-engineering.md",3420,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fmethodology\u002Fphase1-reverse-engineering.md",{"path":69,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":70,"sourceHtmlUrl":71},"references\u002Fmethodology\u002Fphase2-document-types.md",12605,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fmethodology\u002Fphase2-document-types.md",{"path":73,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":74,"sourceHtmlUrl":75},"references\u002Fmethodology\u002Fphase3-ai-enhancement.md",5917,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fmethodology\u002Fphase3-ai-enhancement.md",{"path":77,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":78,"sourceHtmlUrl":79},"references\u002Fmethodology\u002Fphase4-quality.md",7205,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Fmethodology\u002Fphase4-quality.md",{"path":81,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":82,"sourceHtmlUrl":83},"references\u002Ftemplates\u002Fproject-overview.md",6430,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F03-逆向工程\u002Fteam-wiki-codebase\u002Freferences\u002Ftemplates\u002Fproject-overview.md",[85,93,98,105,112,119],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":89,"categories":90,"keywords":91,"publishedAt":92},"01M7FFG485KY83TD6HSC4YPCMC","obsidian-clipper-template-creator","Guide for creating templates for the Obsidian Web Clipper. Use when you want to create a new clipping template, understand available variables, or format clipped content.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator\u002FSKILL.md",[],[],"2026-11-16 10:05:34",{"skillNo":94,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":95,"categories":96,"keywords":97,"publishedAt":92},"01M7FFG0T6AZ0STEJPSB3CX84K","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator-antigravity-awesome-skills-main\u002FSKILL.md",[],[],{"skillNo":99,"name":100,"nameZh":6,"description":101,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":102,"categories":103,"keywords":104,"publishedAt":92},"01M7FFFY0QEM14SKWPDYGMXM2P","python-api","Programmatic Object-Detection-Metrics API guidance for BoundingBox, BoundingBoxes, Evaluator, enums, coordinate conversion, AP\u002FmAP semantics, and source-style import diagnostics.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Fpython-api\u002FSKILL.md",[],[],{"skillNo":106,"name":107,"nameZh":6,"description":108,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":109,"categories":110,"keywords":111,"publishedAt":92},"01M7FFFVZQZ2GJ0C0TGP7JHD20","file-evaluation","Folder-based PASCAL VOC AP\u002FmAP evaluation from ground-truth and detection text files.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Ffile-evaluation\u002FSKILL.md",[],[],{"skillNo":113,"name":114,"nameZh":6,"description":115,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":116,"categories":117,"keywords":118,"publishedAt":92},"01M7FFFSFNYSE77SJ6PE1CK2DA","object-detection-metrics","Guides legacy Object-Detection-Metrics PASCAL VOC AP\u002FmAP evaluation from detection text folders and direct Python API classes.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002FSKILL.md",[],[],{"skillNo":120,"name":121,"nameZh":6,"description":122,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":123,"categories":124,"keywords":125,"publishedAt":92},"01M7FFFP0GCK1RVXBCPQ8APBMT","nx-workspace-patterns","Configure and optimize Nx monorepo workspaces. Use when setting up Nx, configuring project boundaries, optimizing build caching, or implementing affected commands.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fnx-workspace-patterns\u002FSKILL.md",[],[]]