Deep Repository Architecture Analyzer

Git 项目深度分析技能

深度分析开源项目并生成专业架构报告。报告是有深度洞察的技术研究，读完后读者能理解业务问题、掌握架构设计、产生自己的思考。

When to Use

• 分析开源项目的架构和设计
• 对比两个同类项目的设计差异
• 深入研究一个框架或库的实现思路

When NOT to Use

• 简单的代码问题或调试
• 单文件分析或代码审查
• 不涉及架构层面的代码修改

输出语言

默认中文。如果用户使用其他语言提问，则跟随用户语言。

核心原则

1. 业务视角优先

从"这个项目解决什么问题"出发，不是"这个文件里有什么函数"。

2. 抽象层次把控：不贴代码，讲设计

默认在设计模式和架构层面描述，非必要情况下不贴原始代码。重点突出流程、逻辑、设计思想，用架构图（Mermaid）、流程图、表格来表达，而非代码片段。只有设计特别精妙、项目自创独特概念、或实现是核心卖点时才展示代码，且必须先用自然语言解释。

3. 全局关联

每个局部分析都必须连接到项目整体设计哲学——这是区分"代码说明书"和"架构分析"的关键。详见 analysis-guide.md 的全局关联章节。

4. 启发性写作

目标是让读者学到东西、产生思考，而不是获得一份代码说明书。像资深工程师在白板前讲解——有观点、有推理、有对比。详见 analysis-guide.md 的启发性写作章节。

5. 深度洞察：Why > What（强制）

每个设计决策必须解释动机、权衡、替代方案代价。描述"是什么"只是起点，解释"为什么"才是分析的价值所在。每个核心模块和整体架构都要回答：

• 为什么这样设计？ 不只是"用了什么模式"，而是"为什么适合这个场景"
• 如果不这样会怎样？ 替代方案的代价
• 与业界最佳实践的差距？ 领先之处和改进空间
• 如果让你重新设计？ 展示更深层理解
• 系统性设计哲学？ 贯穿整个项目的风格（如"约定优于配置"、"零成本抽象"）

示例：

❌ 路由系统采用了中间件模式，支持链式调用。

✅ 路由系统选择了洋葱模型而非线性管道。线性管道实现更简单，但洋葱模型让每个中间件都能同时处理请求和响应阶段——这对日志、计时、错误恢复至关重要。Express 当年选择线性模型，后来不得不用各种 hack 处理响应后逻辑，Koa 吸取教训才转向洋葱模型。如果让我重新设计，我会考虑加入中间件依赖声明，让框架自动排序——这是 Fastify 的做法，能避免顺序导致的隐蔽 bug。

补充要求

• 代码为准 — 一切结论有代码依据，标注 文件路径 或 文件路径:行号范围，禁止模糊表述
• 有温度 — 像资深工程师给新同事做 onboarding，加入主观评价和建议，避免 AI 味套话
• 重点深入次要简略 — 核心创新点深入分析，通用工具函数一句话带过
• 批判性思考 — 与业界实践对比，指出真实问题，不回避缺陷。参考 analysis-guide.md
• 行文流畅易懂 — 整体行文需要流畅自然，让入门的工程师也能看懂并学习到东西。避免过于学术化或堆砌术语
• 拒绝流水账 — 每个模块要体现深度细节，不能一句带过或泛泛而谈。每个模块如果合适要加上对应的 Mermaid 架构图，让读者看完有启发、能学到设计精髓

分析工作流

灵活性原则：以下所有阶段和章节都是建议性的指引，不是必须严格执行的清单。agent 应根据当前分析的项目特性动态决策——如果某个阶段或环节对当前项目没有意义，可以跳过或简化。一切以最终报告的质量为准。

阶段 1: 项目获取与初始化

1. 解析用户输入（支持 owner/repo、GitHub/GitLab/Gitee URL、本地路径、项目名称）
2. 创建工作区：在用户主目录下创建 repo-analyses/${REPO_NAME}-{YYYYMMDD} 目录作为 $WORK_DIR（跨平台：macOS/Linux 使用 $HOME，Windows 使用 $USERPROFILE 或 $HOME）
3. 如果用户提供本地路径则跳过 clone，否则 git clone --depth=1 克隆仓库
4. 获取基本元数据（Star、Fork、贡献者、代码统计）

阶段 2: 项目规模评估与分析模式选择

1. 统计有效代码行数（排除可跳过代码），按模块列出分布
   • 可跳过代码定义：测试代码、构建/部署配置（Dockerfile、CI yaml 等）、自动生成代码（protobuf 生成、lock 文件等）、示例/文档代码
   • 使用 find + wc -l 或 cloc 等工具统计，按顶层目录分组
2. 向用户报告代码规模，使用 AskUserQuestion 让用户选择分析模式：

3. 将代码规模统计和用户选择的分析模式写入 drafts/03-plan.md，后续阶段据此控制分析深度

覆盖率计算规则：

• 覆盖率 = 通过 Read 工具实际请求过的行范围之并集 / 文件总行数
• 对于大文件（>500 行），必须分段读取，确保以下关键段落被覆盖：
  • 文件头部的类型定义和导入（前 100 行）
  • 核心业务逻辑函数（通过目录结构或函数名定位）
  • 文件尾部的测试代码（如有）
• 只读了文件的一小部分（<30%）不计入覆盖率，视为「未读」
• 自动生成代码（proto 生成、lock 文件等）可降低覆盖率要求：扫描结构即可，不需要逐行阅读

阶段 3: 外部调研 + 项目文档研读（先搜再读）

1. WebSearch 搜索项目评价、对比、架构讨论（至少 3-5 次搜索）
2. 遍历项目官网（如果存在）：
   • 从 README 或 GitHub 页面提取官网 URL
   • 使用 WebFetch/tavily_crawl 遍历官网关键页面（首页、Features、Use Cases、Comparison、Blog 等）
   • 重点提取：产品定位语（tagline）、典型使用场景、官方竞品对比、用户案例/testimonial
   • 官网内容往往是理解"为什么需要这个产品"的最佳来源，比代码和技术文档更直接
3. 通读项目自带文档：
   • 架构文档（architecture/、docs/、design/ 等目录）
   • CONTRIBUTING.md、AGENTS.md 等开发者指引
   • RFC、ADR（Architecture Decision Records）、设计提案等
   • 这些文档往往包含开发者的设计思路、权衡取舍、历史决策背景，是理解"为什么这样设计"的第一手资料
   • 将文档中的关键设计决策和思路摘录到调研笔记中
4. 整理调研发现写入 drafts/03-research.md，必须包含以下结构化段落（信息不足则标注"未找到"）：
   • 项目解决的核心问题：用 1-3 个具体场景描述痛点（谁、在什么情况下、遇到什么问题、现有方案为什么不够）
   • 竞品/同类项目对比：列出 3-5 个最相关的竞品，说明各自定位差异和技术路线差异
   • 为什么需要单独做这个项目：不能用现有方案组合解决吗？这个项目的独特价值主张是什么？
   • 项目背后的组织动机（如适用）：商业公司的战略考量、开源社区的生态定位
5. 生成分析规划写入 drafts/03-plan.md

阶段 4: 项目特征识别 + 自适应提问

这是核心阶段。不使用固定问题列表，而是根据项目特征生成针对性问题。

步骤：

1. 快速扫描：扫描入口文件、目录结构、依赖声明、项目文档、README

2. 识别项目核心特征：

   • 项目类型与定位（库/框架/应用/工具）
   • 规模与成熟度
   • 设计风格信号（类型体操、极简 API、配置驱动等）
   • 技术栈特点（新兴技术、多语言、特定运行时）
   • 社区定位（核心基础设施、应用层工具、教学项目等）

3. 从特征中提炼问题：根据观察到的项目特征生成针对性问题。问题应该帮助聚焦分析方向，而不是走流程

   思维过程——每个观察都可能暗示一个值得问用户的问题：

   • 观察到的技术选择 → 问动机（不常见的技术组合？自己实现了通常用第三方库解决的功能？）
   • 观察到的架构特征 → 问优先级（性能优化痕迹？复杂的插件/扩展系统？）
   • 观察到的设计张力 → 问取舍（简单性 vs 灵活性？向后兼容的包袱？）
   • 观察到的项目定位 → 问受众（目标用户是谁？在生态中是替代还是填补空白？）

   维度启发——什么样的项目特征暗示什么样的分析角度：

   • 小而精的库 → API 设计哲学、边界划定；大型框架 → 模块化策略、向后兼容、生态治理
   • 使用新兴技术 → 为什么选择它、迁移成本；多语言/多范式 → 语言边界设计
   • 大量泛型/类型体操 → 类型安全 vs 复杂度权衡；极简 API → 简单性如何实现、牺牲了什么

   好问题的特征：具体（基于代码中观察到的现象）、有分析价值（答案会影响分析方向）、用户能答（问关注点和偏好，不问需要深入代码才能回答的技术细节）、不重复（不问通过代码就能回答的问题）

4. 向用户提问：使用 AskUserQuestion 工具向用户提问，每次不超过 3 个问题

   • 其中一个问题应确认报告开头的详略程度：对于知名项目，用户可能不需要冗长的产品介绍和竞品对比，只想直接进入代码分析。询问用户是否需要场景化引入和竞品定位章节，还是直接从项目全景和代码分析开始

5. 不限轮次：可多轮提问直到方向明确，分析过程中发现新的关键分歧点可以再追问

关键原则：问题完全由项目特征驱动，不预设类别。不同项目应该产生完全不同的问题。

阶段 5: 动态报告结构设计

根据用户回答 + 项目特征，设计本次报告的章节结构。

步骤：

1. 综合信息：结合阶段 3 的调研、阶段 4 的项目特征和用户回答
2. 设计章节结构：不使用固定模板，但必须满足骨架约束（见下方）
3. 输出报告大纲：将设计好的报告大纲输出给用户确认后再继续
4. 识别模块：追踪核心数据流，识别 N 个逻辑模块（按业务功能划分），分为核心模块和次要模块
5. 设计模块叙事线：确定模块在报告中的呈现顺序和过渡逻辑，不按目录结构排列，而是按读者理解的最佳路径组织：
   • 选择叙事主线：数据流驱动（请求从进入到离开经过哪些模块）、分层驱动（从底层到上层）、或问题驱动（从核心问题到解决方案逐层展开）
   • 每两个相邻模块之间写明过渡逻辑：上一个模块的输出/问题/局限 → 引出下一个模块的必要性
   • 将叙事线写入 drafts/05-modules-plan.md，格式示例：模块 A →[A 的输出需要 B 来消费]→ 模块 B →[B 解决了 X 但引出 Y 问题]→ 模块 C
6. 写入计划：输出模块清单和报告大纲写入 drafts/05-modules-plan.md

骨架约束（报告不规定具体章节，但必须满足）：

• 有场景化问题引入（用具体场景讲清楚项目解决什么问题、现有方案的不足、为什么需要这个项目——素材来自阶段 3 调研笔记）。注意：如果用户在阶段 4 表示不需要冗长介绍（如项目已经很知名），可以精简或跳过此章节，直接从项目全景开始
• 有竞品定位（与同类项目的关键差异，不是功能清单对比，而是设计哲学和技术路线的差异）。注意：同上，用户可选择跳过
• 有项目全景（让读者快速理解项目是什么、解决什么问题）
• 有深度分析（核心设计的 Why、权衡、与业界对比）
• 有评价与启发（诚实的优缺点、读者能从中学到什么）
• 有架构可视化（Mermaid 图表）
• 所有结论有代码依据