CodeForge AI

Forge your code with intelligence.
专为开发者打造的 AI 辅助生产力终端：上下文组装 · 提示词管理 · 全局 AI 对话

CodeForge AI 是一款专为开发者打造的 AI 辅助生产力工具。它集成了代码上下文组装、提示词管理以及一个随时待命的全局 AI 终端，旨在无缝连接你的 IDE 与大语言模型（LLM）。

🛠️ 技术栈 (Tech Stack)

本项目采用现代化的高性能桌面应用架构构建，兼顾了极小的资源占用与流畅的用户体验，整体大小为12MB，运行内存占用约7MB：

• Core: Tauri (Rust + WebView) - 提供原生级的性能与超小的安装包体积。
• Frontend: React 18 + TypeScript + Vite - 现代化的前端开发体验。
• State Management: Zustand - 轻量且强大的状态管理。
• Styling: Tailwind CSS + tailwindcss-animate - 快速构建美观的 UI。
• Icons: Lucide React.

核心功能指南

1. Context Forge (上下文锻造)

解决痛点： 快速将项目文件打包成 LLM (ChatGPT/Claude/DeepSeek) 易读的格式。

• 文件选择：在左侧文件树中勾选你需要让 AI 理解的代码文件或文件夹。
• 智能统计：底部仪表盘会实时显示选中文件的总大小、预估 Token 数量以及语言分布。
• Token 优化：
  • 开启 "Remove Comments" 开关，自动剥离代码注释，节省大量 Token。
  • 自动识别并过滤二进制文件（如图片、PDF）。
• 一键输出（建议下载为txt）：点击 Copy，软件会将项目结构树和文件内容生成为结构化的 XML 文本，直接粘贴给 AI 即可。

2. Spotlight (全局 AI 终端)

快捷键： Alt + S (Windows/Linux) 或 Option + S (macOS)

Spotlight 是一个始终置顶的悬浮窗，拥有两种模式，按 Tab 键切换：

🔍 搜索模式 (Search Mode)

快速检索并使用你的指令库。

• 搜索：输入关键词查找本地或已下载的 Prompt/Command。
• 预览：右侧展示指令详情。
• 复制：按 Enter 直接将内容复制到剪贴板。如果是带变量的模板（如 git commit -m "{{msg}}"），会自动弹出输入框让你填充变量。

✨ AI 对话模式 (AI Chat Mode)

无需切换浏览器，直接与 AI 对话。

• 切换：在搜索模式下按 Tab 键进入紫色界面的 AI 模式。
• 对话：输入问题并回车，体验流式打字机回复。支持 Markdown 渲染和代码高亮。
• 思考过程：支持 DeepSeek-R1 等推理模型，可折叠查看 AI 的 "Thinking Process"。
• 清空上下文：按 Ctrl + K (或 Cmd + K) 清空当前临时会话。
  • 注意：Spotlight 主打“即用即走”，对话历史仅保存在内存中，重启软件后会自动清除。

3. Prompt Verse (提示词库)

管理你的常用指令和 AI 提示词。

• 创建与编辑：支持创建自定义分组，编写包含变量（{{variable}}）的通用模板。
• 官方商店：在设置中进入 Library，下载离线的指令包（如 Linux 命令大全、编程辅助 Prompts）。
• 遮蔽机制：如果你收藏并修改了官方指令，本地修改将覆盖官方版本，互不冲突。

---

4.Patch Weaver (AI补全器)

正在加急开发中

配置指南 (Setup)

为了使用 Spotlight 的 AI 对话功能，你需要配置模型提供商：

1. 点击左侧侧边栏底部的 设置 (Settings) 图标。
2. 进入 AI Configuration 选项卡。
3. 填写 API 信息：
   • Provider: 选择 DeepSeek / OpenAI / Anthropic (仅作图标区分)。
   • API Key: 填入你的 API 密钥（数据仅存储在本地）。
   • Base URL: (可选) 如果使用 硅基流动 (SiliconFlow) 或其他中转服务，请填写对应的 Base URL（例如 https://api.siliconflow.cn）。
   • Model ID: 填入模型名称（例如 deepseek-ai/DeepSeek-V3）。

---

常用快捷键一览

快捷键	作用域	功能
Alt + S	全局	唤起/隐藏 Spotlight 搜索框
Tab	Spotlight	切换 搜索模式 / AI 模式
Enter	Spotlight	(搜索模式) 复制指令 / (AI 模式) 发送消息
Ctrl + K	Spotlight	(AI 模式) 清空当前对话历史
Esc	全局	关闭当前窗口或弹窗

---

下载与安装

请前往 Releases 页面下载适合您操作系统的安装包，或者直接下载运行版本，无需安装点击即用（数据存储在C:\Users\<name>\AppData\Local\com.codeforge.ai内）：

• Windows: .msi 或 .exe

---

关于报毒

启动应用时，你可能会看到 “Windows 已保护你的电脑” (Microsoft Defender SmartScreen) 的蓝色拦截窗口。

这是正常现象。因为 CodeForge AI 是一个由个人维护的开源项目，没有购买昂贵的微软数字签名证书 (EV Code Signing Certificate)，所以会被系统标记为“未知发布者”。

如何运行：

1. 在蓝色拦截窗口中，点击 更多信息 (More info)。
2. 点击下方出现的 仍要运行 (Run anyway) 按钮。

🔒 安全承诺：本项目完全开源，构建过程由 GitHub Actions 自动化完成，绝不包含任何恶意代码。如果您仍有顾虑，欢迎审查源码自行构建。

CodeForge AI - Forge your code with intelligence.

致谢与开源声明 (Credits)

特别感谢以下项目提供的数据支持与灵感：

• tldr-pages: 本项目的命令库数据（Command Packs）部分来源于此，感谢他们为繁杂的 man pages 提供了简洁实用的替代方案。
• Awesome ChatGPT Prompts: 本项目的提示词库数据（Prompt Packs）部分来源于此。

---

CodeForge AI - Forge your code with intelligence.

---

第一部分：引擎的宏观愿景与设计原则

产品名称：CodeForge AI Engine (一个由主程序按需下载和调用的 Python 后端服务)

核心定位：作为 CodeForge AI 的“重型计算大脑”，专门处理那些在前端（JavaScript）中难以实现或效率低下的 AI 任务。

设计原则:

1. 无状态 API (Stateless API)：引擎本身不保存长期会话。所有状态（如加载了哪个知识库）都由前端通过 session_id 来管理。这使得引擎可以轻松重启和扩展。
2. 异步处理 (Asynchronous)：所有耗时操作（如索引一个大型代码库）都必须是异步的，并提供状态查询接口，防止 UI 卡死。
3. 安全第一 (Security First)：任何涉及执行代码或访问本地文件的操作，都必须有明确的日志和（在必要时）前端的用户确认环节。
4. 可扩展性 (Extensible)：API 设计应易于未来增加新的 AI 功能（如图像分析、音频处理等）。

---

第二部分：核心功能模块规划 (LangChain 的用武之地)

我们将引擎划分为三大核心能力模块，每个模块都对应一组强大的 LangChain 功能。

模块一：📚 知识库问答 (Retrieval-Augmented Generation - RAG)

这是 LangChain 最核心、最强大的功能。它能让 AI “学习”你的私有数据，并基于这些数据回答问题。

• 功能 1.1: 项目代码库问答 (Project RAG)

  • 用户场景: “我的项目中，useAppStore 这个函数具体是做什么的？它在哪里被调用了？”
  • LangChain 组件:
    • 加载器 (Loader): DirectoryLoader 配合 TextLoader 递归加载指定项目文件夹下的所有代码文件。
    • 分割器 (Splitter): RecursiveCharacterTextSplitter，按代码的语法结构（函数、类）进行智能切块。
    • 嵌入模型 (Embeddings): 使用 HuggingFaceEmbeddings 加载一个本地运行的、免费的嵌入模型（如 bge-base-en-v1.5），确保代码永远不会离开用户电脑。
    • 向量数据库 (VectorStore): FAISS (内存) 或 ChromaDB (硬盘持久化)，用于存储代码块的向量表示，实现快速检索。
    • 检索链 (Chain): create_retrieval_chain，将用户问题、检索到的代码片段和聊天历史组合起来，生成最终答案。

• 功能 1.2: 技术文档问答 (PDF/Markdown RAG)

  • 用户场景: “我刚下载了 Tauri 的官方 PDF 文档，帮我总结一下它的窗口管理 API 有哪些？”
  • LangChain 组件:
    • 加载器: PyPDFLoader (PDF), UnstructuredMarkdownLoader (Markdown)。
    • 其余部分: 与 1.1 完全复用。

• 功能 1.3: 网页内容问答 (Web RAG)

  • 用户场景: “我正在看这篇关于 React Hooks 的教程（URL），请解释一下 useEffect 的依赖项数组是什么意思。”
  • LangChain 组件:
    • 加载器: WebBaseLoader，输入一个 URL，自动抓取并解析网页正文。
    • 其余部分: 与 1.1 完全复用。

模块二：🔬 代码与数据分析智能体 (Agents)

让 AI 不仅能“看”，还能“动手”分析。

• 功能 2.1: CSV/Excel 数据分析 (Pandas Agent)
  • 用户场景: “我有一个 sales.csv 文件，帮我画一张图，显示每个月的销售额趋势。”
  • LangChain 组件:
    • create_pandas_dataframe_agent，这个 Agent 可以理解自然语言，并将其翻译成 Pandas Python 代码来操作数据。
  • 🛡️ 安全机制: Agent 生成的 Python 代码必须先发回前端，由用户确认后，引擎再执行。

模块三：✨ 高级代码生成 (Advanced Code Generation)

超越简单的模板填充，生成更复杂的代码。

• 功能 3.1: 单元测试生成 (Test Generation)
  • 用户场景: “这是我的 utils.ts 文件，请为 calculateIdealTreeWidth 这个函数编写单元测试。”
  • LangChain 组件:
    • 使用 PromptTemplate 构建一个精巧的提示词，包含函数源码、上下文依赖和测试框架要求（如 Jest）。
    • 调用 LLMChain 生成测试代码。

---

第三部分：API 架构设计 (FastAPI)

我们将使用 FastAPI 构建引擎的 HTTP 服务，监听本地端口（如 127.0.0.1:8899）。

graph TD
    subgraph "CodeForge AI (前端)"
        A[UI 界面]
    end

    subgraph "CodeForge Engine (Python Sidecar)"
        B(FastAPI Server)
        B -- "/health" --> C{Health Check}
        B -- "/rag/index" --> D[1. 创建知识库]
        B -- "/rag/query" --> E[2. 查询知识库]
        B -- "/agent/pandas" --> F[3. 执行 Pandas Agent]
        B -- "/gen/tests" --> G[4. 生成单元测试]
    end

    A --> B

Loading

API 端点 (Endpoints) 规划

1. GET /health

   • 用途: 主程序用来检查引擎是否已成功启动。
   • 返回: {"status": "ok"}

2. POST /rag/index

   • 用途: 索引一个数据源（文件夹、PDF、URL）并创建一个知识库会话。
   • 请求体: { "source_type": "directory" | "pdf" | "url", "path": "C:/path/to/project" }
   • 处理:
     • 这是一个耗时操作。引擎会立即返回一个 session_id。
     • 引擎在后台开始加载、切分、嵌入、存入向量数据库。
   • 返回: {"session_id": "uuid-1234", "status": "indexing"}

3. POST /rag/query

   • 用途: 对一个已创建的知识库会话进行提问。
   • 请求体: { "session_id": "uuid-1234", "query": "What is useAppStore?", "chat_history": [...] }
   • 处理:
     • 根据 session_id 找到对应的 RAG 链。
     • 执行检索和问答。
   • 返回: {"answer": "The useAppStore function is...", "sources": ["/path/to/file1.ts", "/path/to/file2.tsx"]}

4. POST /agent/pandas

   • 用途: 对 CSV/Excel 文件执行数据分析。
   • 请求体: { "file_path": "C:/data/sales.csv", "query": "Show me top 5 sales"}
   • 处理:
     • 第一步 (生成代码): LangChain Agent 生成 Pandas 代码。
     • 返回: {"status": "confirmation_required", "code_to_run": "df.head(5).plot()"}
     • 第二步 (执行代码): 前端显示代码并让用户确认。用户点击“执行”后，前端再次请求此接口。
   • 再次请求体: { "file_path": "...", "query": "...", "confirmed_code": "df.head(5).plot()" }
   • 返回: {"result_type": "plot" | "text", "data": "image_path.png" | "text_result"}

---

第四部分：分阶段开发路线图 (Roadmap)

不要试图一次性完成所有功能。按下面的顺序，每一步都能交付一个可用的 MVP。

阶段一：引擎的“心跳” (2-3 天)

1. 任务: 搭建基础框架。
2. 后端 (Python):
   • 创建 FastAPI 项目。
   • 实现 /health 接口。
3. 打包:
   • 编写 PyInstaller 的 build 脚本，能将 FastAPI 应用打包成单个 .exe 文件。
4. 主程序 (Tauri):
   • 在设置中添加“AI 引擎”页面。
   • 实现下载、解压、保存增强包的逻辑。
   • 实现 start_engine Rust 命令，能够成功启动下载的 .exe。
   • UI 能够调用 /health 接口并显示“引擎已连接”的状态。
5. 目标: 用户可以在设置里成功下载并启动引擎。

阶段二：第一个杀手级功能 - 项目代码问答 (1-2 周)

1. 任务: 实现 Project RAG。
2. 后端 (Python):
   • 集成 DirectoryLoader, RecursiveCharacterTextSplitter, 本地嵌入模型和 FAISS。
   • 实现 /rag/index 和 /rag/query 接口。
   • 用一个简单的字典来管理 session_id 和 RAG 链实例。
3. 主程序 (UI):
   • 创建一个新的主视图，名为 "AI Chat"。
   • UI 上允许用户选择一个项目文件夹。
   • 选择后，调用 /rag/index，并显示“正在索引项目...”。
   • 索引完成后，提供一个聊天框，用户输入问题，调用 /rag/query，并将结果和来源文件展示出来。
4. 目标: 用户可以和自己的代码库进行对话。

阶段三：扩展知识库能力 (1 周)

1. 任务: 支持 PDF 和网页。
2. 后端 (Python):
   • 在 /rag/index 接口中增加对 pdf 和 url 类型的处理，调用对应的 Loader 即可。后端逻辑几乎不用改。
3. 主程序 (UI):
   • 在 "AI Chat" 视图中，增加“加载 PDF”和“加载 URL”的按钮。
4. 目标: 用户可以上传文档、粘贴链接，并与之对话。

阶段四：上线 Agent 高级功能 (1-2 周)

1. 任务: 集成 Pandas Agent。
2. 后端 (Python):
   • 实现 /agent/pandas 的两步逻辑。
3. 主程序 (UI):
   • 设计一个专门的数据分析界面。
   • 重点: 实现那个“代码执行确认”的安全弹窗，必须清晰地展示将要执行的代码。
   • 能够渲染返回的图片或文本结果。
4. 目标: 用户可以向 AI 提问，并安全地执行数据分析任务。

这个规划为你提供了一个从 0 到 1 构建强大 AI 后端引擎的完整蓝图。祝你开发顺利！