Show HN: 一個SQLite圖表，記錄AI生成程式碼的原因
該專案是一個小型SQLite圖表參考架構，用於儲存AI編碼代理生成的程式碼背後的工程原因，包括需求、決策、測試、證據等，旨在解決AI編碼中工程上下文丟失的問題。
AI編碼代理（如GitHub Copilot和Claude Code）能夠快速生成程式碼，但這些程式碼背後的工程理由往往在會話之間丟失。ai-vprocess-ops倉庫引入了一種新穎的方法：一個基於SQLite的圖表，用於捕獲AI生成程式碼的“原因”。它儲存需求、設計決策、跟蹤候選、測試結果、證據、未解決問題、政策觸發、標準參考以及ALM系統的交接理由。該方法被設計為ALM之前的決策支援層，而不是替代人類工程判斷或正式合規工具。
該倉庫提供了一個依賴自由的可執行Python原型，透過SQLite演示了完整的操作路徑。原型包括以下模組：vprocess_graph.py用於構建圖記憶體，import_reverse_engineering.py用於授權逆向工程匯入，policy_match.py支援單一條件和AND條件活動策略，impact_query.py使用遞迴SQLite CTE進行影響分析，llm_recommend.py構建受限的圖上下文並可選呼叫本地Ollama，decision_lifecycle.py記錄決策狀態（已接受、已拒絕、草稿、需審查）及審查者、理由和時間戳，alm_handoff_export.py匯出已接受決策的Markdown或JSON，export_review_report.py從圖生成確定性Markdown報告，mcp_readonly_stub.py暴露JSON-RPC風格的只讀圖工具，以及benchmarks/run_sample_regression.py驗證虛構樣本場景。快速啟動只需三個命令即可建立演示圖、生成LLM審查提示並執行迴歸檢查。
該專案特別適用於長期使用AI代理的工程師、需要恢復生成程式碼原因的Vibe編碼者，以及審查AI生成拉取請求的審查者。建立者強調，其有用的主張是狹窄的：AI輔助工程需要一個持久的“原因”圖表，而不僅僅是更快的“是什麼”生成。
倉庫的佈局包括AGENTS.md（AI代理操作說明）、docs/（概念、架構、操作模型、提示示例等19份文件）、schema/（最小SQLite模式）、examples/（虛構輸入和確定性輸出）、prototype/（Python原型）、tests/（單元測試）、tools/（安全性和輸出檢查）、benchmarks/（迴歸檢查）、templates/empty_environment/（可複製的專案工作區）。文件涵蓋了從概念到設計思維分解規則的各個方面。質量門禁不僅包括本地測試，還透過GitHub Actions執行Python編譯檢查、單元測試、樣本輸出同步檢查、Ruff、Bandit、CodeQL等。公共門禁拒絕常見的釋出事故，如提交的SQLite資料庫、私鑰材料、令牌字串等。釋出前必須執行AGENTS.md中的所有命令。
該專案的主要受眾是：使用AI編碼代理進行長期專案的工程師、需要恢復生成程式碼原因的Vibe編碼者、審查AI生成拉取請求的審查者、準備進入正式ALM系統的團隊，以及構建本地優先代理記憶、MCP風格工具、上下文工程和可追溯性工具的開發人員。其核心主張是：AI輔助工程需要持久的“原因”圖表，而不僅僅是更快的“是什麼”生成。
總之，ai-vprocess-ops透過基於SQLite的圖表演示瞭如何在AI輔助開發中保留工程上下文，並提供了可擴充套件的參考實現，幫助團隊改善AI生成程式碼的可追溯性和工程記憶。