agentleFS
wisterx-specwisterx-spec/agent-rails/.agents/skills/sync-llm-context/SKILL.md

sync-llm-context

Skill2 starsChanged 7 months agoMITView on GitHub

扫描全项目并萃取知识防呆点,动态提炼、组装并精简维护负责给 LLM 喂送上下文的三大核心索引文档。

The file

Files
SKILL.md

Sync LLM Context

随着项目的持续开发,供给未来大模型 Agent 探索项目的上下文引导地图会产生信息盲区和滞后。 执行本 Skill,即授权 Agent 全局扫描工程的最新状态,提取陷阱禁区、依赖入口和开发命令,并对索引文件进行增量修正。

输出文件路径来自 project.config.json → llm_context 字段:

  • core_doc:最高优先级禁区声明,强制不超过 40 行
  • backend_doc:后端防查坑约束,强制不超过 30 行
  • frontend_doc:前端契约规则,强制不超过 30 行

🎯 产出规则 (Constraints)

大模型提示词文件绝不可写成冗长发散的长篇大论。更新时,必须遵循极其克制的紧凑注释格式(Key-Value 或简单短语列举):

  1. core 文档:只放最高优先级的禁区声明、防错挂载点和主干模块入口文件,强制不超过 40 行。
  2. backend 文档:按需加载项,只放后端的防查坑约束、验证命令、高风险迁移操作必查点,强制不超过 30 行。
  3. frontend 文档:按需加载项,只放前端契约规则、组件禁用约定、状态流防连带删除死角,强制不超过 30 行。

⚠️ 全局铁律:在任何情形下都不要删除现有的成熟教训,仅进行追加或在已有行内修正! 绝对禁止:修改任何项目源代码本身,更不可碰写 .agents/rules/ 体系下的基础宪典。


🕵️ Phase 1: Scan & Discover (特征搜集)

Agent 启动本阶段后,需调用全局搜索/读取能力检索最新的目录结构树和关键词匹配:

  • 后端领域(project.config.json → tech_stack.backend_path): 重点挖掘通过装饰器动态注册的路由、隐藏的调度器,以及容易被静态分析误删的动态引用。
  • 前端领域(project.config.json → tech_stack.frontend_path): 排查全局状态管理中经过隐式调用的解构状态引用点。
  • 基础设施(Makefile, package.json, pyproject.toml, 根级 README): 寻找诸如启动服务、环境调试、快速压测的最频发运行指令。

对于文件,主要判定并提取 4 大核心特征:

  1. 真实入口模块:被频繁作为基类、入口等核心 import 依赖的基础文件
  2. 高风险防重写禁区:如并发共享锁、第三方重度交互协定
  3. 静态分析避坑指南:如由于依赖注入导致的未使用警告
  4. 统一最佳实践:特定的通用业务模式(如何抛出特定异常,如何规范化测试 Mock)

✍️ Phase 2: Condense & Push (生成增量更新)

完成挖掘后,将提炼的知识碎片按照对应领域分类,运用文件操作工具追加到指定的 LLM context 文档中。

  • 如果遇到数量过于庞大的列表(例如 40 个路由),切记将其抽象概括转化为 grep 检索指导命令(如:"修改前执行 ls {{BACKEND_PATH}}/routers 查验实时目录")。

🏁 Phase 3: Reporting (验证与汇报)

结束写库动作后,通过标准消息通知用户以下执行账单:

  1. 更新摘要:总结向这三个文件新增了哪些维度的条目和指令。
  2. 需要复核的潜在地雷池 ([UNVERIFIED]):如果在扫描代码时,发现了一些可能缺乏测试防护/容易被后续脚手架误杀的隐秘写法,但无法十分笃定这是否算是"禁区",将其记录在反馈列表内,供资深人类工程师最终拍板。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.