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。

3.0.1 的重点是把"装 binary"和"部署 workflow"合成一条命令:不需要 clone 源码,不需要手动写 COMPOUND_PLUGIN_GITHUB_SOURCE,也不需要再单独执行 gale-harness install ...。

curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | bash

这条命令会完成:

• 安装/升级 gale-harness、compound-plugin、gale-memory、gale-knowledge、gale-task release binary。
• 从对应 release tag 安装 galeharness-cli workflow 到所有检测到的 AI 工具。
• 额外安装 Hermes 兼容目录 ~/.hermes。
• 使用正确的 GaleHarnessCodingCLI 仓库作为远程插件源,避免拉到旧 GaleHarnessCLI 源。
• 支持 16 个目标平台:Claude、Codex、Qoder、Kimi、Cursor、Gemini、Copilot、OpenCode、Kilo 等。
• 包含 3.0.0 引入的上游 workflow 同步、gh:work-x / gh:debug-x Morph-X 流程、gh:nexus 代码智能入口,以及更完整的跨平台转换输出。

3.0.1 安装完成后,建议先做两件事,让后续 gh: 工作流可以直接复用工程上下文:

# 1. 建立全局知识库,后续 brainstorm / plan / work / review / compound 会持续沉淀到这里
gale-knowledge init
gale-knowledge resolve-home
# 2. 在项目根目录建立 code graph,给后续查询、影响分析、上下文检索使用
cd /path/to/your/project
gitnexus analyze .
gitnexus status

在 AI 工具里也可以直接用 gh:nexus:

/gh:nexus analyze .
/gh:nexus context <SymbolName>
/gh:nexus impact <SymbolName>

gale-knowledge 负责团队知识沉淀:需求、计划、实现总结、复盘和 HKTMemory 索引都归到 ~/.galeharness/knowledge/,换项目也能复用。

gh:nexus 的价值很直接:不用它,Agent 只能靠 grep、rg 和你塞进上下文的代码片段猜关系,大项目很快就会漏调用链、漏影响面。用了它,先 /gh:nexus analyze . 建项目 code graph,之后可以按符号查上下文、按调用链定位入口、按 impact 看改一个函数会牵动哪些文件。差距就是:不用时每次都在重复找代码、浪费上下文窗口;用了以后 Agent 先查图再动手,少读无关文件,少问你要背景,改动边界更稳。

gh:nexus 会尝试自动安装 gitnexus@1.6.3;GitNexus 本身是 PolyForm-Noncommercial-1.0.0 许可,商业场景请自行确认授权。

只想装 binary、不写入任何 AI 工具配置时:

curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | GALE_INSTALL_SKIP_PLUGIN=1 bash

普通用户优先安装 Release 二进制,不需要 clone 仓库:

curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | bash

这条命令会安装/升级 gale-harness binary,然后自动安装 galeharness-cli workflow 到所有检测到的 AI 工具,并额外安装 Hermes 兼容目录 ~/.hermes。

Windows release binary installer 尚未进入 P0a 范围。当前不要把 source-mode 的 scripts/setup.ps1 当作普通用户默认一键安装;需要在 Windows 上试用或参与开发时,请参考下方"安装方式"里的贡献者源码安装路径。Windows release 安装器会在后续阶段补齐。

• 核心理念
• 工作流
• 工程师实战指南
  • 场景一:新需求开发
  • 场景二:Bug 修复
  • 场景三:需求讨论与评审
  • 场景四:知识归档与复用
  • 场景五:代码优化
  • 场景六:研究现有代码
  • 场景七:一人十线 —— 并行开发(Worktree 隔离)
  • 场景八:探索改进机会
• 系统架构
• 核心工作流时序图
• 核心功能
• 全局知识仓库
• 安装方式
• AI工具安装
• 同步个人配置
• 目录结构
• 环境变量
• 贡献指南
• 许可证

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

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。

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。

核心 gh: 流程内置 Karpathy-inspired guardrails,不需要额外调用独立 skill。/gh:brainstorm 先挑战问题 framing 并拆分假设、非目标和成功标准;/gh:plan 要求复杂度能追溯到需求、风险或约束;/gh:work 把非平凡执行绑定到最小 execution contract 和 surgical diff;/gh:review 用意图摘要检查 diff hygiene,避免计划边界漂移和顺手重构。

背景记录见 docs/solutions/workflow-issues/karpathy-guidelines-workflow-guardrails-2026年04月24日.md。

/gh:work-x 和 /gh:debug-x 是面向 iOS Swift/ObjC 代码产出的特殊工作流。它们先根据项目 seed、历史模式标签和 .morph-config.yaml 选择实现蓝图,再在代码产出后运行 gale-harness morph --apply 与 gale-harness audit --similarity,输出相似度风险报告。

Morph-X 的定位是降低模板化代码重复风险并提供自检证据,不保证 Apple App Review 通过,也不能替代真实的产品、UI、内容和功能差异。

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。

需求理解 -> 技术规划 -> 编码实现 -> 代码审查 -> 知识沉淀

# 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。

# 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)。

# 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 "..."

/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。

# 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"

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?

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

/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。

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

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

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

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]

每个命令在执行前后都与 HKTMemory 交互,实现记忆驱动的开发。

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:

1. 环境变量 GALE_KNOWLEDGE_HOME(最高)
2. 配置文件 ~/.galeharness/config.json 或 config.yaml 中的 knowledge_home
3. 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。

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

• macOS 11+、Linux(主流发行版)或 Windows 10/11
• 能联网的终端(macOS: Terminal / iTerm2,Linux: Bash/Zsh,Windows: PowerShell)

Release 二进制安装不需要预先安装 Bun。下面的源码安装路径面向贡献者,会自动检测并安装缺失的开发依赖。

旧版 bun link / source-mode 安装无法通过 gale-harness update 自我替换。先运行一次 release 安装脚本迁移到编译二进制,之后再使用 gale-harness update。

curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | bash

脚本会优先安装到当前 gale-harness 所在目录,并移除旧的 bun link symlink 后写入编译二进制。没有已安装命令时,默认安装到 ~/.local/bin。安装 binary 后,脚本会自动从对应 release tag 安装 galeharness-cli workflow 到所有检测到的 AI 工具,并额外安装 Hermes 兼容目录 ~/.hermes。Release assets 覆盖 macOS、Linux、Windows 的 arm64/x64 平台。

只安装 binary、不写入任何 AI 工具配置时:

curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | GALE_INSTALL_SKIP_PLUGIN=1 bash

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

Linux 说明: 脚本会自动检测 apt、dnf、yum、pacman 或 brew 等包管理器。如果系统未预装 Git 或 Python,请确保有 sudo 权限以便自动安装。

Windows release binary installer 尚未进入 P0a 范围。以下 setup.ps1 / bootstrap.ps1 路径用于贡献者源码安装或开发环境准备,不是普通用户默认一键 release 安装。

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

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/
gale-memory status # 期望: 诊断 Gale-managed HKTMemory 路径和迁移状态
hkt-memory stats # 期望: 统计信息(裸命令使用自身默认路径)
bun test # 期望: 测试通过

通过 GaleHarness 入口使用的 HKTMemory 默认写入公共知识库:

~/.galeharness/knowledge/<project>/hkt-memory

gale-memory 是统一入口。start、capture、feedback 和 migrate 会解析同一个 root;migrate 或 task runtime 在首次发现项目本地 memory/ 时执行 copy-first 迁移。status 只诊断 root 和迁移状态,不复制 legacy 文件。迁移时 Markdown 记忆和必要 manifest 会复制到公共知识库,.db、vector cache、session transcript index、_lifecycle/events.jsonl 等派生缓存不会复制,本地 memory/ 保留为 legacy backup。

覆盖优先级为:gale-memory --memory-dir -> 已有 HKT_MEMORY_DIR -> ~/.galeharness/config.{json,yaml} 中的 memory.hkt_memory_dir -> 默认公共知识库 root。裸 hkt-memory 命令仍保留上游默认语义,通常会使用当前目录下的 memory/;需要进入公共知识库时请显式设置 HKT_MEMORY_DIR 或使用 gale-memory。

常用诊断:

gale-memory status --json
gale-memory migrate --cwd /path/to/project
gale-memory resolve-root

状态可能为 global、legacy-local、migration-needed、migrated、migration-conflict 或 unavailable。冲突迁移不会覆盖目标文件,会在全局 root 写入 MIGRATION_CONFLICTS.md。

Release installer 默认已经执行 AI 工具安装:curl -fsSL https://raw.githubusercontent.com/wangrenzhu-ola/GaleHarnessCodingCLI/main/scripts/install-release.sh | bash 会安装/升级 binary,然后自动安装 galeharness-cli workflow 到所有检测到的平台,并额外写入 Hermes 兼容目录 ~/.hermes。

--to 是 install 子命令的参数。手动安装时正确形态是 gale-harness install ... --to <target>;gale-harness --to="all" 会失败,因为顶层 CLI 没有 --to 参数。

普通使用场景推荐远程 tag 安装;这条命令可以在任意项目目录执行,不依赖当前目录下存在 ./plugins/galeharness-cli:

# 安装到所有检测到的平台
gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to all
# 指定平台
gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to claude
gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to codex
gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to qoder
gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to kimi

如果已经 clone 了 GaleHarnessCodingCLI,也可以在本仓库根目录从明确的插件目录安装:

# 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

从其他项目目录运行下面这种本地路径命令会失败,因为该路径只在 GaleHarnessCodingCLI 仓库内存在:

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

需要本地路径安装时,先拉取对应 release tag:

git clone --branch galeharness-cli-v3.0.1 --depth 1 https://github.com/wangrenzhu-ola/GaleHarnessCodingCLI.git
cd GaleHarnessCodingCLI
gale-harness install ./plugins/galeharness-cli --to all

Hermes 兼容 Claude-style skills/agents 目录时,显式指定 Claude home:

gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to claude --claude-home ~/.hermes

支持的平台 (16个): claude, opencode, codex, droid, pi, gemini, copilot, kiro, windsurf, openclaw, qwen, qoder, trae, cursor, kimi, kilo

Codex 转换策略:

Codex 使用全局模型配置,不支持 Claude Code 风格的 per-agent model 字段或 Task subagent dispatch。转换到 Codex 时,CLI 会把源 skill 中可解析的 Task agent(args) 调用降级为同一 SKILL.md 内的 embedded agent instructions,并要求 Codex 在当前上下文中顺序执行。skill 作者不需要为此修改源文件。

Pi 前置依赖。 Pi 没有内置 subagent 能力。安装到 Pi 时需要先安装 nicobailon/pi-subagents,并建议安装 edlsh/pi-ask-user 以支持阻塞式用户提问:

pi install npm:pi-subagents # 必需:提供 skills 并行调度所需的 subagent 工具
pi install npm:pi-ask-user # 推荐:提供 ask_user;缺失时 skills 会退回聊天编号选项

Claude Code 本地插件模式:

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

VS Code Copilot Agent Plugins:

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

Copilot CLI:

gale-harness install galeharness-cli --branch galeharness-cli-v3.0.1 --to copilot

/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。

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。

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

安装脚本自动配置,通常无需手动操作。

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

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

MIT License - 巨风科技研发团队