Files

绝尘 f3c0967f41 修复: AR-3 审批 reason 查项目名拼对象名（用户再反馈 P0）

build_approval_reason 改 async + 接收 db，对 delete/restore/purge/update/bind/create_task 的 id/project_id 查 ProjectRepo.get_by_id 拼「项目名」(id=x)（原只拼裸 id，用户反馈'只返回 ID 不知道是什么数据'）
新增 resolve_project_label helper；process_tool_calls 调用改 await
来源 aichat审查报告 第二章 + 用户 2026-06-14 再反馈;cargo 0 err

2026-06-14 17:16:28 +08:00

4.9 KiB

Raw Blame History

知识库模块

创建: 2026-06-13 | 阶段: Tier 1 已实现

概述

知识库是 DevFlow 的"共享记忆层"，被动积累 AI 对话中产生的可复用经验，供后续对话注入使用。外部工具（Claude Code / CodeX / Cursor）可通过相同 IPC 接口读写，内外零差异。

实现状态

功能	状态
candidate→published 状态机	✅ Tier 1
手动录入（Knowledge.vue）	✅ Tier 1
AI 自动提炼（对话完成后）	✅ Tier 1
LIKE 关键词检索 + 注入 system prompt	✅ Tier 1
审核收件箱（人工门控）	✅ Tier 1
向量 embedding + 混合检索	✅ Phase 5.5（开关控制，默认关）
ai_node prompt 注入	⬜ Tier 2
MCP 对外 API	⬜ Tier 2

状态机

candidate ──→ pending_review ──→ published ──→ archived
    │                │               │
    └────────────────┴───────────────┘
                (可直接到 archived)

AI 提炼只产 candidate，绝不自动 published（人工门控）
knowledge_archive：软删除（status=archived），不物理删除

知识类型（KnowledgeKind）

7 种：pitfall（踩坑）/ review_rule（审查规则）/ prompt_template（Prompt 模板）/ architecture_pattern（架构模式）/ diagnosis（诊断知识）/ deployment_note（部署经验）/ workflow_optimization（工作流优化）

IPC 命令（11 个）

Command	说明
`knowledge_list(status?)`	全量列表，默认排除 archived
`knowledge_get(id)`	单条查询
`knowledge_search(query, kind?, limit?)`	LIKE 检索，top-N≤3
`knowledge_create(input)`	创建（status=candidate）
`knowledge_update_status(id, status)`	状态转换（含合法矩阵校验）
`knowledge_record_reuse(id)`	reuse_count +1
`knowledge_list_candidates()`	审核收件箱（按 confidence 排序）
`knowledge_archive(id)`	软删除
`knowledge_get_config()`	读取 KnowledgeConfig
`knowledge_save_config(config)`	保存 KnowledgeConfig
`knowledge_extract_now()`	手动触发提炼（ManualOnly 模式）

KnowledgeConfig

pub struct KnowledgeConfig {
    pub auto_extract: bool,            // 提炼总开关，默认 true
    pub trigger_mode: ExtractTrigger,  // on_complete | on_idle | manual_only
    pub min_messages: u32,             // 守卫：最少消息数，默认 4
    pub idle_timeout_ms: u64,          // 闲置触发超时，默认 30000
    pub auto_inject: bool,             // 聊天注入开关，默认 true
    pub vector_enabled: bool,          // 向量检索开关，默认 false
    pub embedding_provider_id: Option<String>,  // 仅 openai_compat 类型
    pub embedding_model: Option<String>,
}

存储：AppState.knowledge_config: Arc<Mutex<KnowledgeConfig>>（内存，重启恢复默认值）。

检索与注入

LIKE 检索（默认）

search(query, kind, limit=3) → WHERE title LIKE ? OR content LIKE ? → ORDER BY reuse_count DESC

混合检索（vector_enabled=true）

三层降级链：

开关关 → 纯 LIKE
embed 调用失败 → 纯 LIKE
正常 → 双信号排序（同时命中 LIKE+向量 cos≥0.3 > 仅 LIKE > 仅向量 cos≥0.3）

嵌入时机：知识发布时（不在 candidate 阶段浪费 embed 调用），spawn_embedding_for_knowledge fire-and-forget。

注入位置

system prompt 头部（[知识库上下文] --- [技能指令] --- [原始 system prompt]），仅 auto_inject=true 时生效。

AI 自动提炼流程

run_agentic_loop 正常退出 → maybe_spawn_extraction() 守卫检查
守卫：auto_extract=true + messages.len() >= min_messages
tauri::async_runtime::spawn 后台执行，不 await（不阻断聊天）
取最后 6 条 user/assistant 消息 → 构造 JSON schema prompt → LLM complete()
serde_json::from_str<Vec<ExtractedItem>> 解析，失败整批丢弃（warn 不报错）
逐条写 knowledges（status=candidate，source_ref="conv:{id}"）

矛盾知识处理

不做结构层消歧，在内容和 tags 中自述限制范围。检索时两条知识都可能返回，由 LLM 上下文理解取舍。

外部工具访问（规划）

Tier 1+ 目标：MCP Shell 封装（mcp-server 转发 IPC），外部工具使用逻辑与内部零差异：

外部写入：走 candidate → 人工审核流程
外部读取：knowledge_search / knowledge_list（published）

4.9 KiB Raw Blame History Unescape Escape