GaleHarnessCLI

巨风科技研发团队提效工具 —— 基于 Compound Engineering 工作流与 HKTMemory 向量知识库的 AI 驱动开发套件。

核心理念

每一次工程实践都应该让后续工作变得更简单，而不是更复杂。

传统开发累积技术债务，每个功能增加复杂度。HarnessCLI 反转这一模式：

80% 精力投入规划与审查
20% 精力投入执行
通过知识沉淀实现复利效应

工作流

Brainstorm -> Plan -> Work -> Review -> Compound -> Repeat
    ^
  Ideate (可选 -- 用于发现改进点)

每个阶段都与 HKTMemory 向量知识库双向交互：阶段开始前检索相关记忆，阶段完成后存储新产生的知识。

命令一览表

命令	用途	HKTMemory 交互
`/gh:ideate`	通过发散思维和对抗性过滤发现高影响力改进点	检索历史建议，存储新发现
`/gh:brainstorm`	在规划前探索需求和方案，通过交互式问答细化想法	检索相关需求，存储需求文档
`/gh:plan`	将功能想法转化为详细实施计划，带自动置信度检查	检索相似方案，存储技术规划
`/gh:work`	系统化执行工作项，使用 worktree 和任务追踪	检索实现模式，存储实现总结
`/gh:review`	多代理代码审查，分层角色和置信度门控	检索审查模式，存储审查发现
`/gh:compound`	记录已解决问题，沉淀团队知识	检索相关解决方案，存储完整知识
`/gh:debug`	系统性查找根本原因并修复缺陷	检索类似问题，存储调试经验
`/gh:optimize`	迭代优化循环，并行实验和 LLM 评分	检索优化策略，存储优化结果
`/document-review`	多角色并行评审需求/方案文档	无
`/gh:sessions`	搜索历史 Claude Code/Codex/Cursor 会话	无
`/gh:slack-research`	搜索 Slack 获取组织上下文	无

入口说明：/gh:brainstorm 是主要入口 —— 它通过交互式问答将想法细化为需求文档，在不需要时自动跳过。/gh:ideate 效果显著但使用较少 —— 基于代码库主动发现改进建议。

工程师实战指南

以研发导师的视角，指导工程师在不同开发场景下如何高效使用。

场景一：新需求开发

需求理解 -> 技术规划 -> 编码实现 -> 代码审查 -> 知识沉淀

步骤	命令	产出
需求探索	`/gh:brainstorm "实现用户登录功能"`	检索历史案例，输出结构化需求文档到 `docs/brainstorms/`
技术规划	`/gh:plan docs/brainstorms/user-login-requirements.md`	检索相似方案，输出任务分解和置信度评估到 `docs/plans/`
编码实现	`/gh:work docs/plans/user-login-plan.md`	创建 git worktree，检索实现模式，存储实现总结
代码审查	`/gh:review`	多代理并行审查（安全/性能/正确性/可维护性）
知识沉淀	`/gh:compound "用户登录功能的实现经验"`	记录解决方案供未来参考

场景二：Bug 修复

# 推荐：使用完整工作流
/gh:debug

# 支持多种输入方式
/gh:debug "用户登录时偶尔出现 500 错误"
/gh:debug
> Error: Connection timeout at UserService.authenticate()
> Stack trace: ...
/gh:debug https://github.com/org/repo/issues/123

/gh:debug 会自动检索 HKTMemory 中类似历史问题，系统性定位根因，修复后自动存储调试经验。

场景三：需求讨论与评审

# 需求文档评审
/document-review docs/brainstorms/new-feature.md

# 技术方案评审
/document-review docs/plans/implementation-plan.md

多角色代理并行评审：产品视角（挑战假设/战略影响）、安全视角（数据暴露/认证漏洞）、可行性视角（技术可行性/架构冲突）、范围视角（复杂度/过度设计）。

场景四：知识归档与复用

# 归档已解决的问题
/gh:compound "解决大文件上传超时问题"

# 以上命令都会自动检索 HKTMemory
/gh:brainstorm "..."
/gh:plan "..."
/gh:debug "..."

场景五：代码优化

/gh:optimize "优化首页加载速度"

定义可测量目标，构建测量脚手架，并行运行多个实验方案，用 LLM 评分评估效果，自动保留改进方案。

场景六：研究现有代码

# 查询历史会话
/gh:sessions "上次我们是怎么处理认证问题的？"

/# 搜索 Slack 讨论
/gh:slack-research "团队对微服务拆分的讨论"

场景七：一人十线 —— 并行开发（Worktree 隔离）

一个工程师同时驱动 10+ 条需求流水线。每条流水线在独立 worktree 中运行，共享代码库和知识库，互不阻塞、互不干扰。

flowchart TB
    Lead["🎯 技术负责人\n1 人"]

    Lead --> W1["Worktree 1\nbrainstorm/user-auth\n需求探索中"]
    Lead --> W2["Worktree 2\nfeat/payment\n编码实现中"]
    Lead --> W3["Worktree 3\nfix/email-bug\n审查中"]
    Lead --> W4["Worktree 4\nfeat/search\n规划中"]
    Lead --> W5["Worktree 5\nbrainstorm/analytics\n需求探索中"]
    Lead --> Wn["Worktree N\n...\n并行推进"]

    W1 --> HKT["🧠 HKTMemory\n共享知识库"]
    W2 --> HKT
    W3 --> HKT
    W4 --> HKT
    W5 --> HKT
    Wn --> HKT

    W1 --> R1["PR #37"]
    W2 --> R2["PR #38"]
    W3 --> R3["PR #39"]
    W4 --> R4["PR #40"]
    W5 --> R5["PR #41"]
    Wn --> Rn["PR #N"]

为什么能做到？

传统模式	GaleHarness 并行模式
1 人 = 1 个分支 = 串行切换	1 人 = N 个 worktree = 并行推进
切换分支需要 stash / commit	每条线独立目录，直接 cd 切换
知识靠记忆和文档搜索	HKTMemory 向量检索，跨流水线复用经验
代码审查排队等待	AI 代理即时审查，置信度门控
每次从零开始	每条流水线自动检索历史方案

跨阶段无缝衔接：gh:brainstorm → gh:work 时自动检测已在 feature 分支，直接沿用 worktree，不重复创建。分支名风格不匹配时提示 rename（如 brainstorm/xxx → feat/xxx）。

# 第 1 条线：启动需求探索
/gh:brainstorm "实现用户登录"
# → 选择 worktree → brainstorm/user-auth 分支 + 隔离工作目录

# 第 2 条线：同步启动另一个需求（互不干扰）
/gh:brainstorm "接入支付系统"
# → 选择 worktree → brainstorm/payment 分支 + 隔离工作目录

# ... 第 N 条线

# 任意一条线从 brainstorm 进入 work，无缝衔接
/gh:work docs/plans/user-auth-plan.md
# → 检测到已在 feature 分支 → 沿用，不重复创建

操作	命令
启动新流水线	`/gh:brainstorm` 或 `/gh:work` 中选择 worktree
查看所有进行中的流水线	`git worktree list` 或 `/git-worktree`
切换到某条流水线	`/git-worktree` skill
完成一条线并清理	`/git-worktree` cleanup → 开出 PR

场景八：探索改进机会

/gh:ideate

扫描代码库发现潜在改进点，通过发散思维生成建议，使用对抗性过滤筛选高价值项目，引导选择优先方向。

系统架构

flowchart TB
    subgraph Layer["三层架构"]
        WF[工作流层 Workflow] --> SK[技能层 Skills]
        SK --> AG[代理层 Agents]
    end

    subgraph Memory["知识底座"]
        HKT[HKTMemory 向量知识库 存储/检索/复用]
        GKR[全局知识仓库 ~/.galeharness/knowledge/]
    end

    subgraph Converter["多平台转换层"]
        CC[Claude Code] --- OC[OpenCode]
        OC --- CD[Codex]
        CD --- GM[Gemini]
        GM --- CP[Copilot]
        CP --- Others[...]
    end

    WF --> HKT
    SK --> HKT
    AG --> HKT
    GKR --> HKT

    SK --> Converter

核心工作流时序图

1. 完整开发周期（记忆驱动）

sequenceDiagram
    actor User as 开发者
    participant BS as Brainstorm 需求探索
    participant PL as Plan 规划
    participant WK as Work 执行
    participant RV as Review 审查
    participant CP as Compound 知识沉淀
    participant HKT as HKTMemory

    User->>BS: /gh:brainstorm
    BS->>HKT: 检索相关需求记忆
    HKT-->>BS: 返回历史需求案例
    BS-->>User: 交互式需求澄清
    BS->>HKT: 存储需求文档
    BS-->>User: 输出需求文档

    User->>PL: /gh:plan
    PL->>HKT: 检索相似方案记忆
    HKT-->>PL: 返回相关技术方案
    PL-->>User: 输出技术规划
    PL->>HKT: 存储技术规划

    User->>WK: /gh:work
    WK->>HKT: 检索实现模式
    HKT-->>WK: 返回相关代码模式
    Note over WK: 创建 worktree 并行执行任务
    WK-->>User: 输出代码实现
    WK->>HKT: 存储实现总结

    User->>RV: /gh:review
    RV->>HKT: 检索审查模式
    HKT-->>RV: 返回历史审查经验
    Note over RV: 多代理并行审查
    RV-->>User: 输出审查报告
    RV->>HKT: 存储审查发现

    User->>CP: /gh:compound
    CP->>HKT: 检索相关解决方案
    HKT-->>CP: 返回已有知识
    CP->>HKT: 存储完整解决方案
    HKT-->>CP: 知识沉淀完成
    CP-->>User: 知识复利完成

2. HKTMemory 知识检索流程

sequenceDiagram
    participant Skill as Skill 调用方
    participant Client as HKTMemory Client
    participant Vector as Vector DB embedding-3
    participant KB as 知识库 解决方案

    Skill->>Client: 1. 发起查询 query + context
    Client->>Vector: 2. 生成 embedding
    Vector->>KB: 3. 向量相似度搜索
    KB-->>Vector: 4. 返回相似文档
    Vector-->>Client: 返回向量结果
    Client-->>Skill: 5. 返回结构化知识

3. 代码审查流水线

flowchart LR
    Entry[gh:review 入口] --> Reviewers

    subgraph Reviewers[审查代理集群]
        direction TB
        SR[Security Reviewer]
        PR[Performance Reviewer]
        CR[Correctness Reviewer]
        MR[Maintainability Reviewer]
    end

    Reviewers --> Confidence[置信度汇总 Confidence]

    Confidence --> Decision{审查决策}

    Decision -->|高置信度| Pass[通过 Pass]
    Decision -->|中置信度| Revise[需修改 Revise]
    Decision -->|低置信度| Block[阻塞 Block]

    Pass --> Merge[合并代码]
    Revise --> ReReview[修复后重审]
    Block --> MustFix[必须解决]

核心功能

工作流命令

每个命令在执行前后都与 HKTMemory 交互，实现记忆驱动的开发。

研究代理

代理	功能
`learnings-researcher`	搜索机构知识库寻找相关过往解决方案
`session-historian`	搜索 Claude Code、Codex、Cursor 历史会话
`slack-researcher`	搜索 Slack 获取组织上下文
`issue-intelligence-analyst`	分析 GitHub Issues 发现重复主题和痛点

审查代理

代理	功能
`security-reviewer`	安全漏洞检测，带置信度校准
`performance-reviewer`	运行时性能分析
`correctness-reviewer`	逻辑错误、边界情况、状态缺陷
`maintainability-reviewer`	耦合度、复杂度、命名、死代码
`testing-reviewer`	测试覆盖缺口、弱断言

全局知识仓库

所有 gh: 工作流技能产生的知识文档统一存储到 ~/.galeharness/knowledge/<project>/<type>/。

路径解析优先级：

环境变量 GALE_KNOWLEDGE_HOME（最高）
配置文件 ~/.galeharness/config.json 或 config.yaml 中的 knowledge_home
默认 ~/.galeharness/knowledge/

项目仓库保持整洁，知识积累在 Git 管理的专属存储中。写入失败时自动回退到项目本地 docs/ 目录。

CLI 管理命令

命令	功能
`gale-knowledge init`	初始化全局知识仓库（含 Git）
`gale-knowledge resolve-home`	输出知识仓库根目录路径
`gale-knowledge resolve-path --type <type>`	输出指定类型的文档目录路径
`gale-knowledge extract-project`	输出当前项目名（从 Git remote 提取）
`gale-knowledge commit`	批量提交知识文档
`gale-knowledge rebuild-index`	重建 HKTMemory 向量索引（支持增量/全量）

示例

gale-knowledge init
gale-knowledge resolve-home
gale-knowledge resolve-path --type brainstorms
gale-knowledge rebuild-index      # 增量模式
gale-knowledge rebuild-index --full  # 全量

安装方式

前置要求

macOS 11+ 或 Windows 10/11
能联网的终端（macOS: Terminal / iTerm2，Windows: PowerShell）

不需要预先安装任何工具。一键脚本会自动检测并安装缺失的依赖。

一键安装

macOS

git clone https://github.com/wangrenzhu-ola/GaleHarnessCodingCLI.git
cd GaleHarnessCodingCLI
bash scripts/setup.sh

Windows

已有 Git：

git config --global credential.helper ""
$latestTag = (git ls-remote --tags --sort="-v:refname" https://github.com/wangrenzhu-ola/GaleHarnessCodingCLI.git | Select-Object -First 1).Split("`t")[1].Replace("refs/tags/", "")
git clone --branch $latestTag --depth 1 --single-branch https://github.com/wangrenzhu-ola/GaleHarnessCodingCLI.git
cd GaleHarnessCodingCLI
.\scripts\setup.ps1

全新 Windows（未安装 Git）：

# 首选：jsDelivr CDN（国内快）
irm https://cdn.jsdelivr.net/gh/wangrenzhu-ola/GaleHarnessCodingCLI@main/scripts/bootstrap.ps1 | iex

# 备选：GitHub 官方源
irm https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/bootstrap.ps1 | iex

PowerShell 执行策略： 如果脚本无法运行，先执行：Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

安装后自检

重新打开终端后依次运行：

bun --version                    # 期望: 1.x.x
python3 --version                # 期望: Python 3.9+
uv --version                     # 期望: uv x.x.x
gale-harness --help              # 期望: 显示 CLI 帮助
gale-knowledge init              # 初始化知识仓库
gale-knowledge resolve-home      # 期望: ~/.galeharness/knowledge/
hkt-memory stats                   # 期望: 统计信息
bun test                         # 期望: 测试通过

AI工具安装

在 repo 根目录执行：

# 安装到所有检测到的平台
gale-harness install ./plugins/galeharness-cli --to all

# 指定平台
gale-harness install ./plugins/galeharness-cli --to claude
gale-harness install ./plugins/galeharness-cli --to cursor
gale-harness install ./plugins/galeharness-cli --to kimi

支持的平台 (15个)： claude, opencode, codex, droid, pi, gemini, copilot, kiro, windsurf, openclaw, qwen, qoder, trae, cursor, kimi

Claude Code 本地插件模式：

alias ghc='claude --plugin-dir /path/to/GaleHarnessCodingCLI/plugins/galeharness-cli'

VS Code Copilot Agent Plugins：

在 VS Code 命令面板运行 Chat: Install Plugin from Source
输入仓库 wangrenzhu-ola/GaleHarnessCodingCLI
选择 galeharness-cli 插件安装

Copilot CLI：

gale-harness install ./plugins/galeharness-cli --to copilot

项目初始化

/gh:setup

这将诊断环境配置、安装缺失推荐工具、引导项目配置、验证 HKTMemory 连接状态。

同步个人配置

将个人 Claude Code 配置同步到其他 AI 编码工具：

# 在仓库根目录执行，同步到所有检测到的工具
bun run src/index.ts sync

# 同步到特定平台
bun run src/index.ts sync --target opencode
bun run src/index.ts sync --target codex

同步内容：个人 skills（符号链接）、斜杠命令、MCP servers。

目录结构

GaleHarnessCodingCLI/
├── cmd/gale-knowledge/          # 全局知识仓库 CLI
├── src/                         # 主入口、转换器、目标写入器
├── plugins/
│   ├── galeharness-cli/         # 核心工作流插件 (gh: prefix)
│   └── coding-tutor/            # 编程导师插件
├── vendor/hkt-memory/           # HKTMemory v5.0 向量知识库
├── scripts/                     # 发布工具
├── tests/                       # 测试
├── docs/                        # 需求、规划、解决方案、规范
└── .claude-plugin/              # Claude 市场目录元数据

环境变量

安装脚本自动配置，通常无需手动操作。

变量	说明	必需
`HKT_MEMORY_API_KEY`	HKTMemory API 密钥	否（可用文件模式）
`HKT_MEMORY_BASE_URL`	HKTMemory 服务端点	否（可用文件模式）
`HKT_MEMORY_MODEL`	Embedding 模型	否（可用文件模式）
`HKT_MEMORY_FILE_MODE`	启用纯文件模式（无需 API）	否
`GALE_KNOWLEDGE_HOME`	全局知识仓库路径	否

文件模式：HKT_MEMORY_FILE_MODE=true 可在无 API 密钥情况下使用 HKTMemory。

手动修改位置：

macOS：~/.zshrc 或 ~/.bashrc
Windows：notepad $PROFILE 或系统环境变量

贡献指南

测试：更改后运行 bun test
验证：运行 bun run release:validate 验证插件一致性
提交：使用 conventional commits（feat:、fix:、docs: 等）

许可证

MIT License - 巨风科技研发团队

Name		Name	Last commit message	Last commit date
.claude-plugin		.claude-plugin
.claude/commands		.claude/commands
.cursor-plugin		.cursor-plugin
.github		.github
agents/review		agents/review
cmd		cmd
docs		docs
memory		memory
plugins		plugins
scripts		scripts
src		src
tests		tests
vendor		vendor
.gitattributes		.gitattributes
.gitignore		.gitignore
.upstream-ref		.upstream-ref
.upstream-repo		.upstream-repo
AGENTS.md		AGENTS.md
CHANGELOG.md		CHANGELOG.md
CLAUDE.md		CLAUDE.md
LICENSE		LICENSE
PRIVACY.md		PRIVACY.md
README.md		README.md
SECURITY.md		SECURITY.md
bun.lock		bun.lock
favicon.png		favicon.png
package.json		package.json
tsconfig.json		tsconfig.json

Latest commit

History

Folders and files

Repository files navigation