AgentSkillsCN

repo-research

GitHub 仓库深度研究与整合分析工具。支持单个/多个仓库研究、与本地项目对比分析、启发式整合建议。支持主题驱动搜索模式：自动搜索相关仓库、克隆、分析并生成报告。克隆远程仓库到本地 research/ 目录，进行深度代码分析、架构评估、依赖解析，并生成结构化研究报告。触发条件：用户提供 GitHub URL 请求研究/分析/整合/对比时，或提供主题关键词请求搜索并研究相关仓库时。

中文原作
SKILL.md
--- frontmatter
name: repo-research
description: GitHub 仓库深度研究与整合分析工具。支持单个/多个仓库研究、与本地项目对比分析、启发式整合建议。支持主题驱动搜索模式：自动搜索相关仓库、克隆、分析并生成报告。克隆远程仓库到本地 research/ 目录，进行深度代码分析、架构评估、依赖解析，并生成结构化研究报告。触发条件：用户提供 GitHub URL 请求研究/分析/整合/对比时，或提供主题关键词请求搜索并研究相关仓库时。

Repo Research

GitHub 仓库深度研究工具，核心目标是从外部项目中获取启发，为用户自己的项目提供可操作的改进建议。

适用范围：本技能适用于研究任何类型的 GitHub 仓库，不仅限于 Claude Skills。可用于研究开源项目、库、框架、工具等。

依赖管理

本技能的核心功能（单仓库/多仓库研究）不需要任何前置技能。

只有使用主题驱动搜索模式时，才需要以下可选依赖：

依赖技能用途安装源必需性
find-skills按主题搜索 GitHub 上的相关仓库https://skills.sh/vercel-labs/skills/find-skills可选

使用说明：

  • •如果您直接提供 GitHub URL，本技能会直接使用现有的单/多仓库研究模式
  • •如果您提供主题关键词（如"研究 OCR 相关项目"），本技能会：
    1. •首先检测 find-skills 是否已安装
    2. •如未安装，会提示您安装后再继续
    3. •安装后自动调用 find-skills 进行搜索

快速开始

bash
# 单个仓库研究
/repo-research https://github.com/user/repo

# 多仓库对比研究
/repo-research https://github.com/user/repo-a https://github.com/user/repo-b

# 指定分析重点
/repo-research https://github.com/user/repo --focus=architecture

# 与现有技能整合
/repo-research https://github.com/user/repo --integrate-with=de-ai-polish

对话中触发：当用户提到"研究一下这个仓库"、"对比分析这些项目"、"对我项目有什么启发"等类似表述时自动激活。

工作流程

模式选择

根据输入自动选择研究模式：

输入类型研究模式输出
单个 GitHub URL单仓库深度研究单仓库分析报告 + 启发建议
多个 GitHub URL多仓库对比研究对比分析报告 + 共性启发
GitHub URL + 本地路径对比启发模式差异分析 + 改进建议
主题/关键词主题驱动搜索研究搜索结果 + 多仓库综合分析报告

主题驱动搜索研究模式

当用户提供主题关键词而非具体 GitHub URL 时，使用此模式。

触发条件

用户表达以下需求时自动激活：

  • •"帮我找关于 X 的相关项目"
  • •"搜索研究一下主题 X"
  • •"找一些关于 X 的开源项目"
  • •"主题 X 有什么值得研究的仓库"

工作流程

Step 0: 依赖检查

bash
# 检查 find-skills 是否已安装
if ! /find-skills --help >/dev/null 2>&1; then
    echo "⚠️  主题驱动搜索模式需要 find-skills 技能"
    echo "正在为您安装..."
    /skill-manager install https://skills.sh/vercel-labs/skills/find-skills
fi

对话提示：

"检测到您需要使用主题搜索功能。正在检查依赖..."

Step 1: 使用 find-skills 搜索相关仓库

调用 find-skills 技能进行搜索：

bash
/find-skills <主题关键词>

示例：

  • •/find-skills pdf converter - 搜索 PDF 转换相关技能
  • •/find-skills video transcription - 搜索视频转录相关技能
  • •/find-skills ocr - 搜索 OCR 相关技能

Step 2: 整理搜索结果

从 find-skills 的返回中提取：

  1. •仓库名称
  2. •GitHub URL
  3. •简要描述
  4. •相关度评分

搜索结果整理格式：

#仓库名URL描述相关度
1[name][url][描述]⭐⭐⭐⭐⭐
2[name][url][描述]⭐⭐⭐⭐☆

Step 3: 用户确认筛选

对话询问：

"找到 [N] 个相关仓库。请选择要深入研究的项目：" "1. 研究全部 [N] 个仓库" "2. 选择特定编号（如：1,3,5）" "3. 只研究前 [K] 个最相关的" "4. 自定义选择"

根据用户选择确定最终研究列表。

Step 4: 批量克隆与并行分析

4.1 创建研究目录

⚠️ 重要：必须在用户当前工作目录下创建 research 文件夹。

bash
# 获取用户当前工作目录
WORK_DIR="${PWD}"

RESEARCH_DATE=$(date +%Y%m%d)
# 将主题转换为 slug 格式（小写、空格替换为连字符）
TOPIC_SLUG=$(echo "$TOPIC" | tr '[:upper:]' '[:lower:]' | tr ' ' '-')

# 使用绝对路径确保在正确位置
RESEARCH_DIR="${WORK_DIR}/research/${RESEARCH_DATE}-${TOPIC_SLUG}"
mkdir -p "${RESEARCH_DIR}"
cd "${RESEARCH_DIR}"
4.2 批量克隆
bash
for url in "${SELECTED_URLS[@]}"; do
    repo_name=$(basename "$url" .git)
    echo "正在克隆: $repo_name"
    git clone --depth 1 "$url" "$repo_name"
done
4.3 并行分析

对每个克隆的仓库执行基础分析（参见"Step 2: 基础分析"）。

Step 5: 生成主题综合报告

使用 assets/topic-research-template.md 作为模板。

报告结构
markdown
# [主题] 综合研究报告

> **研究日期**：YYYY-MM-DD
> **搜索主题**：[主题关键词]
> **研究仓库数**：[N] 个
> **报告路径**：`./research/YYYYMMDD-[topic-slug]/REPORT.md`

---

## 执行摘要

### 研究概述

[用一段话概括：基于主题搜索了哪些类型的仓库，主要发现了什么]

### 一句话总结

[用一句话概括最关键的发现]

### 核心指标

| 指标 | 数值 |
|:-----|:-----|
| 搜索结果总数 | [N] 个仓库 |
| 深度研究数量 | [M] 个仓库 |
| 相关技术栈 | [列举主要技术] |
| 活跃项目占比 | [X%] |

---

## 搜索结果概览

### 仓库清单

| # | 仓库名 | 描述 | 语言 | Stars | 活跃度 |
|:-|:-------|:-----|:-----|:-----|:-------|
| 1 | [name] | [描述] | [lang] | [★] | 🟢 活跃 |
| 2 | [name] | [描述] | [lang] | [★] | 🟡 中等 |

### 分类汇总

**按技术类型**：
- [技术1]: [数量] 个项目
- [技术2]: [数量] 个项目

**按功能类型**：
- [功能1]: [数量] 个项目
- [功能2]: [数量] 个项目

---

## 技术栈分析

### 主流技术选择

| 技术 | 使用项目数 | 占比 | 代表项目 |
|:-----|-----------|:-----|:---------|
| [技术1] | [N] | [X%] | [项目A, 项目B] |
| [技术2] | [N] | [X%] | [项目C] |

### 技术趋势洞察

- **趋势1**：[描述观察到的技术趋势]
- **趋势2**：[描述观察到的技术趋势]

---

## 共性模式识别

### 架构共性

多个项目共同采用的架构模式：
1. **[模式名称]**：[描述]
   - 采用项目：[列举]
   - 优势分析：[分析]

### 功能共性

多个项目都实现的核心功能：
1. **[功能名称]**：[描述]
   - 实现方式差异：[对比]

### 文档共性

文档编写的共同特点：
- [观察到的文档模式]

---

## 项目对比分析

### 功能对比矩阵

| 功能 | 项目1 | 项目2 | 项目3 | 最优实现 |
|:-----|:-----|:-----|:-----|:---------|
| [功能1] | ✅ | ✅ | ❌ | [分析] |
| [功能2] | ✅ | ❌ | ✅ | [分析] |

### 架构对比

| 维度 | 项目1 | 项目2 | 项目3 | 值得学习 |
|:-----|:-----|:-----|:-----|:---------|
| 目录结构 | [描述] | [描述] | [描述] | [推荐] |
| 模块化 | [描述] | [描述] | [描述] | [推荐] |

### 代码质量对比

| 项目 | 代码组织 | 文档 | 测试 | 综合评分 |
|:-----|:---------|:-----|:-----|:---------|
| 项目1 | ⭐⭐⭐⭐☆ | ⭐⭐⭐☆☆ | ⭐⭐☆☆☆ | B+ |
| 项目2 | ⭐⭐⭐☆☆ | ⭐⭐⭐⭐☆ | ⭐⭐⭐☆☆ | B |

---

## 深度剖析（精选项目）

### 项目 A: [仓库名]

#### 为什么值得深入研究

[说明选择这个项目进行深度剖析的原因]

#### 架构亮点

- [亮点1]
- [亮点2]

#### 可借鉴的设计

1. **[设计点1]**：[描述可借鉴之处]
2. **[设计点2]**：[描述可借鉴之处]

### 项目 B: [仓库名]

[同上结构]

---

## 启发与建议

### 对本地项目的启发

#### 可直接借鉴

1. **[方面1]**
   - **来源**：[项目A/项目B]
   - **做法**：[描述具体做法]
   - **本地应用**：[如何应用到本地项目]
   - **优先级**：🔴 高 / 🟡 中 / 🟢 低
   - **预计工作量**：[X 小时]

#### 需要进一步探索

1. **[技术/模式]**
   - **为什么**：[说明价值]
   - **调研方式**：[如何调研]
   - **预期收益**：[说明]

### 最佳实践总结

从多个项目中提炼的最佳实践：
1. **[实践1]**：[描述]
2. **[实践2]**：[描述]

---

## 项目推荐

### 不同场景推荐

| 场景 | 推荐项目 | 理由 |
|:-----|:---------|:-----|
| 学习参考 | [项目名] | [理由] |
| 生产使用 | [项目名] | [理由] |
| 二次开发 | [项目名] | [理由] |
| 特定需求 | [项目名] | [理由] |

### 快速决策指南

- **如果你需要 X** → 推荐 [项目A]
- **如果你需要 Y** → 推荐 [项目B]
- **如果你需要 Z** → 推荐 [项目C]

---

## 附录

### 完整仓库列表

#### 深度研究的项目

1. **[项目名]** - [GitHub URL]
   - 描述：[描述]
   - 技术栈：[列举]
   - 最后更新：[日期]

#### 仅浏览的项目

1. **[项目名]** - [GitHub URL]
   - 相关度：⭐⭐☆☆☆

### 参考资源

- [相关文档链接]
- [相关文章链接]

---

**报告生成时间**：YYYY-MM-DD HH:MM
**研究者**：Claude Code + repo-research skill
**搜索工具**：find-skills skill

Step 6: 会话汇报

markdown
## 主题研究完成

**搜索主题**：[主题关键词]

**搜索结果**：找到 [N] 个相关仓库，深度分析了 [M] 个

**核心发现**：
1. [发现1]
2. [发现2]
3. [发现3]

**推荐项目**：
- 学习参考：[项目A]
- 生产使用：[项目B]

**详细报告已保存至**：`./research/YYYYMMDD-[topic-slug]/REPORT.md`

原有研究模式

（以下保持原有内容不变...）

Step 1: 准备研究环境

1.1 创建研究目录

统一目录结构：

bash
research/
└── YYYYMMDD-[topic]/    # 日期+主题目录
    ├── repo-name/       # 研究的仓库（即使是单个仓库也在子目录中）
    ├── repo-b/          # 多仓库时会有多个子目录
    └── REPORT.md        # 研究报告

# 单仓库示例：
# research/20260213-vibe-working-tutorial/
#     └── vibe-working-tutorial/   <- 仓库内容
#     └── REPORT.md

# 多仓库示例：
# research/20260213-pdf-tools-comparison/
#     └── pdf-lib/
#     └── pdfkit/
#     └── REPORT.md

设计原则：无论研究多少个仓库，都保持 research/日期-主题/仓库名/ 的统一结构，便于后续管理和扩展。

命名格式：YYYYMMDD-[topic-slug]

  • •topic-slug：主题关键词，用连字符连接，小写
  • •示例：20260211-pdf-ocr-comparison、20260212-transcription-study

主题来源（优先级从高到低）：

  1. •用户指定：调用时通过 --topic 参数提供
  2. •对话询问：自动询问用户输入简短的主题描述
  3. •自动推断：从仓库名称或研究内容推断（备选）

使用 Bash 工具执行：

⚠️ 重要：必须在用户当前工作目录下创建 research 文件夹，而非 skill 所在目录。

bash
# 获取用户当前工作目录（从环境变量或上下文推断）
WORK_DIR="${PWD}"  # 使用当前工作目录

REPO_DATE=$(date +%Y%m%d)

# 确定研究主题（通过对话询问或参数获取）
# 示例：TOPIC="pdf-ocr-comparison"
TOPIC_SLUG=$(echo "$TOPIC" | tr '[:upper:]' '[:lower:]' | tr ' ' '-')

# 新格式（推荐）- 使用绝对路径确保位置正确
RESEARCH_DIR="${WORK_DIR}/research/${REPO_DATE}-${TOPIC_SLUG}"

# 旧格式（向后兼容，如果用户明确要求）
# RESEARCH_DIR="${WORK_DIR}/research/${REPO_DATE}/${REPO_NAME}"

mkdir -p "${RESEARCH_DIR}"
cd "${RESEARCH_DIR}"

对话询问主题：

"请为本次研究提供一个简短的主题描述（用于目录命名，如 pdf-ocr、agent-framework）："

1.2 克隆仓库

⚠️ 重要：无论是单仓库还是多仓库，都统一克隆到子目录中，保持目录结构一致。

bash
# 统一方式：所有仓库都克隆到子目录
# 这样可以保持 research/日期-主题/ 目录结构的一致性
# 单仓库和多仓库的区别只在于克隆的次数

for url in "${URLS[@]}"; do
    repo_name=$(basename "$url" .git)
    git clone --depth 1 "$url" "$repo_name"
done

# 单仓库示例（实际也是克隆到子目录）：
# research/20260213-vibe-working-tutorial/
#     └── vibe-working-tutorial/   <- 仓库内容
#     └── REPORT.md                <- 研究报告

# 多仓库示例：
# research/20260213-pdf-tools-comparison/
#     └── pdf-lib/                 <- 仓库A
#     └── pdfkit/                  <- 仓库B
#     └── REPORT.md                <- 研究报告

Step 2: 基础分析（对每个仓库）

2.1 识别项目类型

特征项目类型分析重点
package.jsonNode.js/前端依赖、脚本、构建配置
requirements.txt/pyproject.tomlPython虚拟环境、依赖管理
go.modGo模块结构、依赖
Cargo.tomlRustEdition、特性、依赖
SKILL.mdClaude Skill技能定义、frontmatter

2.2 核心文件优先阅读

bash
# 必读文件（按优先级）
README.md          # 项目说明、快速开始
LICENSE            # 许可证
package.json/pyproject.toml/go.mod  # 依赖元数据

2.3 项目结构分析

使用 Glob 工具探索：

bash
glob "**/*"           # 所有文件
glob "**/*.md"        # 文档
glob "src/**/*.ts"    # 源代码
glob "tests/**/*"     # 测试

2.4 技术栈识别

  • •前端：React/Vue/Svelte/Next.js/Nuxt + 状态管理 + 样式方案
  • •后端：Node.js/Python/Go/Rust + 框架 + ORM
  • •工具链：Vite/Webpack + Jest/Pytest + ESLint/Prettier

Step 3: 多仓库对比分析（多仓库模式）

3.1 对比维度

维度对比内容启发点
架构设计目录结构、模块划分有哪些组织方式值得借鉴
功能实现核心功能、API 设计同类功能的不同实现方式
技术选型框架、依赖、工具链为什么选择这些技术
文档质量README、注释、API 文档文档写法的差异
代码风格命名、结构、模式哪种风格更清晰

3.2 共性提取

识别多个仓库的共同点：

  • •共同的技术选择（如都用 Markdown 作为格式）
  • •共同的设计模式（如都用插件架构）
  • •共同的问题解决方式

3.3 差异分析

识别关键差异及其原因：

  • •为什么 A 用 Markdown 而 B 用 JSON
  • •为什么 A 有测试而 B 没有
  • •不同实现方式的优劣

Step 4: 本地项目对比（启发模式）

4.1 识别本地项目

对话中询问：

"是否需要与本地项目进行对比？如果有，请提供项目路径（相对或绝对）。"

常见本地项目类型：

  • •./test/de-ai-polish - 本地技能
  • •./skills/xxx - 现有技能
  • •./test/yyy - 测试项目

4.2 差异分析框架

分析项外部仓库本地项目差异启发
目录结构[描述][描述][差异点][可借鉴之处]
核心功能[描述][描述][差异点][可补充之处]
文档方式[描述][描述][差异点][可改进之处]
检测规则[列举][列举][差异点][可学习之处]

4.3 启发式问题

在对比时回答以下问题：

  1. •

    功能方面

    • •外部仓库有哪些功能是我没有的？
    • •我有哪些功能是外部仓库没有的？
    • •哪些功能可以整合进来？
  2. •

    架构方面

    • •外部仓库的目录结构是否更清晰？
    • •模块划分方式是否值得借鉴？
    • •配置方式是否更灵活？
  3. •

    实现方面

    • •检测规则的组织方式有什么不同？
    • •报告生成的格式有什么优劣？
    • •用户交互方式有什么可学习之处？
  4. •

    文档方面

    • •README 的结构是否更易理解？
    • •示例是否更丰富？
    • •API 文档是否更完整？

Step 5: 生成报告

5.1 单仓库报告结构

使用 assets/report-template.md 作为模板。

5.2 多仓库对比报告结构

使用 assets/comparison-template.md 作为模板。

5.3 启发式报告结构

markdown
# [研究主题] 启发式分析报告

> 研究日期：YYYY-MM-DD
> 研究仓库：[列出所有仓库]
> 对比项目：[本地项目路径]
> 报告路径：`./research/YYYYMMDD-[topic-slug]/REPORT.md`

---

## 核心发现

### 一句话总结

[用一句话概括最关键的启发]

---

## 对比分析

### 功能对比

| 功能 | 仓库A | 仓库B | 本地项目 | 启发 |
|:-----|:------|:------|:---------|:-----|
| [功能1] | ✅ | ✅ | ❌ | [建议] |
| [功能2] | ✅ | ❌ | ✅ | [分析] |

### 架构对比

| 维度 | 仓库A | 仓库B | 本地项目 | 启发 |
|:-----|:------|:------|:---------|:-----|
| 目录结构 | [描述] | [描述] | [描述] | [建议] |
| 模块划分 | [描述] | [描述] | [描述] | [建议] |

### 规则/检测方式对比

| 检测项 | 仓库A | 仓库B | 本地项目 | 启发 |
|:-------|:------|:------|:---------|:-----|
| [规则1] | [实现] | [实现] | [实现] | [可学习] |

---

## 具体启发

### 可直接借鉴的方面

1. **[方面1]**
   - **外部做法**：[描述]
   - **本地现状**：[描述]
   - **改进建议**：[具体建议]
   - **优先级**：高/中/低

2. **[方面2]**
   - **外部做法**：[描述]
   - **本地现状**：[描述]
   - **改进建议**：[具体建议]
   - **优先级**：高/中/低

### 需要进一步探索的方面

1. **[方面1]**：[为什么值得探索]
2. **[方面2]**：[为什么值得探索]

---

## 行动建议

### 立即可做的改进

- [ ] [改进1] - 预计时间：[X小时]
- [ ] [改进2] - 预计时间：[X小时]

### 需要进一步调研的

- [ ] [调研项1] - 调研方式：[如何调研]
- [ ] [调研项2] - 调研方式：[如何调研]

---

## 附录

### 仓库详细信息

- **仓库A**：[名称](URL) - [一句话描述]
- **仓库B**：[名称](URL) - [一句话描述]

### 参考链接

- [相关文档]
- [相关文章]

5.4 会话汇报格式

markdown
## 研究完成

**研究仓库**：
- [仓库名A]：[一句话描述]
- [仓库名B]：[一句话描述]

**对比项目**：[本地项目路径]

**核心启发**：
1. [启发1]
2. [启发2]
3. [启发3]

**立即可做的改进**：
- [ ] [改进1]
- [ ] [改进2]

**详细报告已保存至**：`./research/YYYYMMDD-[topic-slug]/REPORT.md`

最佳实践

研究策略

  1. •启发优先：研究的最终目的是"对我有什么帮助"
  2. •对比驱动：通过对比发现差异，通过差异获得启发
  3. •具体可操作：启发必须转化为具体的改进建议

启发提炼原则

  1. •从差异中学习：不同的实现方式往往有不同的考量
  2. •从共性中总结：多个仓库的共同选择往往有其原因
  3. •从细节中洞察：小细节可能反映设计理念

Resources

assets/

  • •report-template.md: 单仓库报告模板
  • •comparison-template.md: 多仓库对比报告模板
  • •topic-research-template.md: 主题驱动搜索研究报告模板（新增）

高级功能 (v0.4.0)

借鉴 Zread MCP 的实现思路，增强本地分析能力。

1. 代码语义搜索

利用本地已克隆的仓库，进行深度代码搜索。

触发方式

用户表达以下需求时激活：

  • •"搜索函数 X"
  • •"查找类 Y"
  • •"看看这个项目怎么实现 Z 的"
  • •直接使用 --search 参数

使用方法

bash
# 搜索函数定义
/repo-research https://github.com/user/repo --search="function:parse*"

# 搜索类定义
/repo-research https://github.com/user/repo --search="class:*Handler"

# 搜索导入
/repo-research https://github.com/user/repo --search="import:react"

# 搜索特定模式
/repo-research https://github.com/user/repo --search="pattern:console\.log"

内部实现

调用 scripts/search.py 中的 CodeSearcher 类：

  • •使用 Grep 工具进行模式匹配
  • •支持多种语言：Python, JavaScript, TypeScript, Go, Rust, Java
  • •支持多种模式：function, class, import, doc, pattern

2. 深度代码分析

超越基础分析，提供架构和质量层面的深度洞察。

分析类型

类型描述触发参数
架构分析目录结构、模块划分、入口文件、架构模式--analyze=architecture
质量分析代码统计、注释率、技术债务、潜在问题--analyze=quality
完整分析包含架构和质量两个维度--analyze=full

使用方法

bash
# 架构分析
/repo-research https://github.com/user/repo --analyze=architecture

# 质量分析
/repo-research https://github.com/user/repo --analyze=quality

# 完整分析
/repo-research https://github.com/user/repo --analyze=full

内部实现

  • •

    架构分析器 (scripts/analyzer/architecture.py):

    • •目录结构分析
    • •入口文件识别
    • •模块/包结构识别
    • •配置文件检测
    • •架构模式检测（MVC、微服务、插件、monorepo）
  • •

    质量分析器 (scripts/analyzer/quality.py):

    • •代码统计（行数、语言分布）
    • •注释覆盖率分析
    • •技术债务检测（TODO、FIXME、deprecated）
    • •问题检测（硬编码密钥、console.log、大文件）

3. 智能问答

利用 Claude Code 的 LLM 能力，回答关于仓库的自然语言问题。

触发方式

用户表达以下需求时激活：

  • •"这个项目是做什么的？"
  • •"如何使用这个项目？"
  • •"架构是怎样的？"
  • •"有哪些主要模块？"
  • •直接使用 --ask 参数

使用方法

bash
# 询问项目概述
/repo-research https://github.com/user/repo --ask="这个项目是做什么的？"

# 询问使用方法
/repo-research https://github.com/user/repo --ask="如何使用这个项目？"

# 询问架构
/repo-research https://github.com/user/repo --ask="架构是怎样的？"

内部实现

  1. •

    问题分类 (scripts/qa.py 中的 QuestionClassifier):

    • •意图识别：overview, architecture, usage, api, dependencies
    • •实体提取：功能名、组件名、文件名
    • •上下文确定：需要读取哪些文件
  2. •

    回答生成:

    • •使用 Grep/Glob 搜索相关代码
    • •使用 read_file 读取关键文件
    • •结合 Claude Code 的 LLM 能力生成自然语言回答

4. 组合使用

高级功能可以组合使用，实现更强大的分析能力：

bash
# 搜索 + 分析
/repo-research https://github.com/user/repo --search="function:parse*" --analyze=architecture

# 问答 + 报告
/repo-research https://github.com/user/repo --ask="这个项目如何使用？" --output=report

scripts/ 目录结构

code
scripts/
├── __init__.py           # 模块导出
├── search.py             # 语义搜索
├── qa.py                 # 智能问答
├── architecture.py       # 架构分析
└── quality.py            # 质量分析

未来计划

  • • 依赖分析模块 (dependency analysis)
  • • 安全分析模块 (security analysis)
  • • 性能分析模块 (performance analysis)
  • • 更智能的问答系统