Injection

以下是为你设计的五阶段开发路线图，帮助你一步步实现这个代码喷涂 MCP 工具。

---

第一阶段：基础设施与 MCP 协议对接

2. 定义 Context 结构：实现 get_business_context 工具。

   • 核心逻辑：使用 ts-morph 扫描 table.schema.ts 和 relations.schema.ts。

   • 返回给 AI：不仅仅是表名，要返回一个包含 columns (name, type) 和 relations (with entity, type: one/many) 的结构化 JSON。

3. 模板发现机制：实现 list_templates 工具。

   • 核心逻辑：遍历 autogen/templates 目录，返回文件名清单（如 list, tree, move）以及每个模板顶部的“使用说明”注释。

第二阶段：SyncInstruction 引擎开发（核心注入逻辑）

这是最硬核的部分，你需要实现一个能理解 JSON 指令并操作 AST 的“执行器”。

1. 注入器基类：基于你已有的 pipeline.ts 和 ast-utils.ts，构建一个 InstructionExecutor。

2. 实现“哨兵”定位：

   • Service 层：定位类中带有 /** @generated */ 的方法。如果 JSON 中有新方法，则调用 classDec.addMethod。

   • Controller 层：解析 Elysia 链式调用。核心是寻找 PropertyAccessExpression（如 .get），检查其 getLeadingCommentRanges() 是否包含 // @generated。

3. 模板填充算法：

   • 开发一个简单的占位符替换引擎，将 JSON 中的 meta 信息（如 relations, logic）填充到 .t.t 模板文件中，生成最终的 TS 代码字符串。

第三阶段：多路径同步与 MCP 工具联调

让 AI 的指令可以横跨多个后端和前端项目。

1. 实现 execute_sync(instruction) MCP 工具：

   • 接收你设计的 SyncInstruction JSON。

   • 读取配置：从 autogen.config.ts 读取 outputs 路径。

   • 瀑布流执行：

     • 先执行 Contract 同步。

     • 拿着 Service 的 Meta 信息更新 Service 文件。

     • 感应更新：扫描更新后的 Service 方法，自动生成/更新 Controller 路由。

     • 最后扫描 Controller 路由，生成 Frontend Hooks。

2. 反馈机制：工具执行完后，收集所有被修改文件的 Diff 片段，构造一个 ExecutionReport 返回给 AI。

第四阶段：AI 审核与微调（闭环）

让 AI 能够修正自己的错误。

1. 实现 read_file_content 工具：允许 AI 查看生成后的代码细节。

2. 实现 fix_instruction 工具：

   • 如果 AI 发现生成的代码逻辑有误（例如漏了一个参数），它可以发送一个增量指令。

   • 引擎定位到同一方法，再次通过 AST 替换其内容。

第五阶段：工程化与 AI 提示词（Prompt）优化

让 AI 像资深架构师一样思考。

1. 编写系统提示词 (System Prompt)：

   • 告知 AI 这是一个“瀑布流感应架构”。

   • 告知命名规范：文件 kebab-case，类 PascalCase，变量 camelCase。

   • 强制要求 AI 在生成指令前必须先 get_business_context。

2. 自动化索引更新：集成 index.task.ts 和 router.task.ts，让 AI 的同步指令执行完后，所有的 import 和路由注册都能自动完成。

---

💡 落地建议：从“最小可行性”开始

你可以按照以下顺序进行测试：

1. MVP 1：实现 get_business_context。让 AI 能正确说出你数据库里有多少张表、什么关系。

2. MVP 2：实现单层同步（只同步 Service）。验证 /** @generated */ 标记是否会被准确识别和替换。

3. MVP 3：实现 Controller 感应。这是最爽的一步，验证“写 Service，自动出 API”。