AIWG：面向AI增强软件开发的认知架构框架

AIWG是一个为AI辅助软件开发设计的认知架构，提供结构化记忆、多代理集成验证和闭环自我纠正能力，支持8个主流AI平台的统一部署。

问题背景\n\n使用AI编程助手（如Claude、Copilot、Cursor）的开发者常常面临一个困境：这些工具在处理小型任务时表现出色，但在复杂的多周项目中却容易"崩溃"。核心问题包括：\n\n- 上下文丢失：每次对话都是新的开始，助手不知道昨天发生了什么、上周做了什么决策\n- 错误恢复困难：当AI生成错误代码时，需要人工介入解释问题，缺乏系统性的失败学习和重试机制\n- 缺乏专业化：通用助手同时处理安全、性能、可维护性等多个维度，但每个维度都不够深入\n\nAIWG（AI Writing Guide）正是为解决这些问题而设计的认知架构。\n\n## 核心设计理念\n\nAIWG基于认知科学、多代理系统和软件工程的研究成果，实现了以下关键模式：\n\n### 持久化记忆系统\n\n不同于基础AI助手每次对话都从零开始，AIWG通过.aiwg/目录维护50-100+相互关联的工件，跨越天、周、月持续积累：\n\n- 需求文档（用例、用户故事、非功能需求）\n- 架构决策（SAD、ADR、系统图）\n- 测试策略和计划\n- 风险登记册和缓解措施\n- 部署计划和运维手册\n\n代理通过@引用（如@.aiwg/requirements/UC-001-login.md）访问这些工件，而不是从头生成。\n\n### 多代理专业化\n\nAIWG提供188个专业代理，按领域组织：\n\n- 测试与质量：测试工程师、测试架构师、变异分析师、可靠性工程师\n- 安全与合规：安全审计员、安全架构师、合规检查员、隐私官\n- 架构与设计：架构设计师、API设计师、云架构师、系统分析师\n- DevOps与云：AWS/Azure/GCP专家、Kubernetes专家、DevOps工程师\n\n复杂工件通过多代理评审面板处理，例如架构文档创建流程：\n\n1. 架构设计师起草SAD\n2. 并行评审（安全审计员、性能工程师、测试架构师、技术文档撰写员）\n3. 文档合成器合并所有反馈\n4. 人工审批门：接受、迭代或升级\n\n研究表明，多路径评审可将复杂任务的准确率提升17.9%。\n\n### 闭环自我纠正\n\nRalph代理实现迭代任务执行：\n\n1. 使用当前策略执行任务\n2. 验证结果（测试通过、代码整洁、类型检查）\n3. 如果失败：分析根因 → 提取结构化学习 → 调整策略\n4. 记录迭代状态（用于恢复的检查点）\n5. 重复直到成功或在3次失败后升级给人类\n\n外部Ralph还支持崩溃恢复：PID文件跟踪、自动重启、跨会话持久化，可连续运行6-8小时以上。\n\n## 阶段门控方法论\n\nAIWG采用Cooper的阶段-门控方法论，将多月项目划分为有明确质量标准和人工审批的边界阶段：\n\n\n概念 → 启动 → 细化 → 构建 → 过渡 → 生产\n\n\n每个阶段都有特定的交付物和审批门（LOM、ABM、IOC），确保质量可控。\n\n## 框架与扩展\n\nAIWG提供6个完整框架：\n\n1. SDLC Complete：90个代理、34条规则、170+模板，覆盖完整软件开发生命周期\n2. Forensics Complete：数字取证和事件响应，遵循NIST SP 800-86和MITRE ATT&CK\n3. Media/Marketing Kit：营销运营全流程，37个代理、87+模板\n4. Media Curator：智能媒体档案管理，支持Plex、Jellyfin、MPD导出\n5. Research Complete：学术研究自动化，8阶段流水线，支持RAG摘要和FAIR合规\n6. Ops Complete：运维基础设施，事件管理和运维手册\n\n此外还有21个插件，包括RLM（递归上下文分解）、语音框架、测试质量、安全等。\n\n## 多平台支持\n\nAIWG支持8个AI平台的统一部署：\n\n- Claude Code（已测试）\n- GitHub Copilot（已测试）\n- Cursor（已测试）\n- Warp Terminal（已测试）\n- Factory AI（已测试）\n- OpenCode（已测试）\n- OpenAI/Codex（已测试）\n- Windsurf（实验性）\n\n使用aiwg use sdlc --provider <平台>命令即可部署到指定平台。\n\n## 技术亮点\n\n### 双向可追溯性\n\n通过@引用系统链接需求→架构→代码→测试：\n\ntypescript\n// @implements @.aiwg/requirements/UC-001-login.md\n// @architecture @.aiwg/architecture/SAD.md#section-4.2\n// @tests @test/unit/auth/login.test.ts\nexport function authenticateUser(credentials: Credentials): Promise<AuthResult> {\n\n\n### 语音配置系统\n\n12个参数控制AI写作风格（正式度、技术深度、句子多样性、行话密度等），内置4种语音：技术权威、友好解释者、执行摘要、 casual对话。\n\n### 研究支撑\n\nAIWG的主张都有研究支持：\n- 人机协作比完全自主系统成本低84%\n- 无再现性约束时工作流失败率47%\n- 检索优先引用架构可将幻觉率从56%降至0%\n\n## 使用场景\n\nAIWG适合：\n- 需求演进的多周/多月项目\n- 多个利益相关者关注不同维度\n- 需要质量门控和审计跟踪\n- 上下文超出对话限制\n\n不适合：\n- 单会话任务\n- 无需记忆的小脚本\n- 质量门控成本超过价值的场景\n\n## 快速开始\n\nbash\n# 全局安装\nnpm install -g aiwg\n\n# 部署SDLC框架\naiwg use sdlc\n\n# 或使用其他框架\naiwg use forensics\naiwg use research\n\n\n## 结语\n\nAIWG代表了AI辅助软件开发的下一代范式：从简单的代码补全工具演进为完整的认知架构，提供记忆、专业化、自我纠正和质量保证。对于需要长期维护、多人协作、质量要求高的项目，AIWG提供了基础设施层面的解决方案。

问题背景\n\n使用AI编程助手（如Claude、Copilot、Cursor）的开发者常常面临一个困境：这些工具在处理小型任务时表现出色，但在复杂的多周项目中却容易"崩溃"。核心问题包括：\n\n- 上下文丢失：每次对话都是新的开始，助手不知道昨天发生了什么、上周做了什么决策\n- 错误恢复困难：当AI生成错误代码时，需要人工介入解释问题，缺乏系统性的失败学习和重试机制\n- 缺乏专业化：通用助手同时处理安全、性能、可维护性等多个维度，但每个维度都不够深入\n\nAIWG（AI Writing Guide）正是为解决这些问题而设计的认知架构。\n\n核心设计理念\n\nAIWG基于认知科学、多代理系统和软件工程的研究成果，实现了以下关键模式：\n\n持久化记忆系统\n\n不同于基础AI助手每次对话都从零开始，AIWG通过.aiwg/目录维护50-100+相互关联的工件，跨越天、周、月持续积累：\n\n- 需求文档（用例、用户故事、非功能需求）\n- 架构决策（SAD、ADR、系统图）\n- 测试策略和计划\n- 风险登记册和缓解措施\n- 部署计划和运维手册\n\n代理通过@引用（如@.aiwg/requirements/UC-001-login.md）访问这些工件，而不是从头生成。\n\n多代理专业化\n\nAIWG提供188个专业代理，按领域组织：\n\n- 测试与质量：测试工程师、测试架构师、变异分析师、可靠性工程师\n- 安全与合规：安全审计员、安全架构师、合规检查员、隐私官\n- 架构与设计：架构设计师、API设计师、云架构师、系统分析师\n- DevOps与云：AWS/Azure/GCP专家、Kubernetes专家、DevOps工程师\n\n复杂工件通过多代理评审面板处理，例如架构文档创建流程：\n\n1. 架构设计师起草SAD\n2. 并行评审（安全审计员、性能工程师、测试架构师、技术文档撰写员）\n3. 文档合成器合并所有反馈\n4. 人工审批门：接受、迭代或升级\n\n研究表明，多路径评审可将复杂任务的准确率提升17.9%。\n\n闭环自我纠正\n\nRalph代理实现迭代任务执行：\n\n1. 使用当前策略执行任务\n2. 验证结果（测试通过、代码整洁、类型检查）\n3. 如果失败：分析根因 → 提取结构化学习 → 调整策略\n4. 记录迭代状态（用于恢复的检查点）\n5. 重复直到成功或在3次失败后升级给人类\n\n外部Ralph还支持崩溃恢复：PID文件跟踪、自动重启、跨会话持久化，可连续运行6-8小时以上。\n\n阶段门控方法论\n\nAIWG采用Cooper的阶段-门控方法论，将多月项目划分为有明确质量标准和人工审批的边界阶段：\n\n\n概念 → 启动 → 细化 → 构建 → 过渡 → 生产\n\n\n每个阶段都有特定的交付物和审批门（LOM、ABM、IOC），确保质量可控。\n\n框架与扩展\n\nAIWG提供6个完整框架：\n\n1. SDLC Complete：90个代理、34条规则、170+模板，覆盖完整软件开发生命周期\n2. Forensics Complete：数字取证和事件响应，遵循NIST SP 800-86和MITRE ATT&CK\n3. Media/Marketing Kit：营销运营全流程，37个代理、87+模板\n4. Media Curator：智能媒体档案管理，支持Plex、Jellyfin、MPD导出\n5. Research Complete：学术研究自动化，8阶段流水线，支持RAG摘要和FAIR合规\n6. Ops Complete：运维基础设施，事件管理和运维手册\n\n此外还有21个插件，包括RLM（递归上下文分解）、语音框架、测试质量、安全等。\n\n多平台支持\n\nAIWG支持8个AI平台的统一部署：\n\n- Claude Code（已测试）\n- GitHub Copilot（已测试）\n- Cursor（已测试）\n- Warp Terminal（已测试）\n- Factory AI（已测试）\n- OpenCode（已测试）\n- OpenAI/Codex（已测试）\n- Windsurf（实验性）\n\n使用aiwg use sdlc --provider <平台>命令即可部署到指定平台。\n\n技术亮点\n\n双向可追溯性\n\n通过@引用系统链接需求→架构→代码→测试：\n\ntypescript\n// @implements @.aiwg/requirements/UC-001-login.md\n// @architecture @.aiwg/architecture/SAD.md#section-4.2\n// @tests @test/unit/auth/login.test.ts\nexport function authenticateUser(credentials: Credentials): Promise<AuthResult> {\n\n\n语音配置系统\n\n12个参数控制AI写作风格（正式度、技术深度、句子多样性、行话密度等），内置4种语音：技术权威、友好解释者、执行摘要、 casual对话。\n\n研究支撑\n\nAIWG的主张都有研究支持：\n- 人机协作比完全自主系统成本低84%\n- 无再现性约束时工作流失败率47%\n- 检索优先引用架构可将幻觉率从56%降至0%\n\n使用场景\n\nAIWG适合：\n- 需求演进的多周/多月项目\n- 多个利益相关者关注不同维度\n- 需要质量门控和审计跟踪\n- 上下文超出对话限制\n\n不适合：\n- 单会话任务\n- 无需记忆的小脚本\n- 质量门控成本超过价值的场景\n\n快速开始\n\nbash\n全局安装\nnpm install -g aiwg\n\n部署SDLC框架\naiwg use sdlc\n\n或使用其他框架\naiwg use forensics\naiwg use research\n\n\n结语\n\nAIWG代表了AI辅助软件开发的下一代范式：从简单的代码补全工具演进为完整的认知架构，提供记忆、专业化、自我纠正和质量保证。对于需要长期维护、多人协作、质量要求高的项目，AIWG提供了基础设施层面的解决方案。