Zum Inhalt springen

Verwendung mit KI-Assistenten

codeknit wird mit vorgefertigten Skills ausgeliefert, die KI-Coding-Assistenten beibringen, wie sie es effektiv nutzen können. Diese Skills ermöglichen es Assistenten, Codestruktur zu extrahieren, Duplikate zu erkennen und strukturelle Analysen ohne manuelle Aufforderungen durchzuführen.

codeknit bietet zwei Skills:

  • codeknit-parse: Lehrt Assistenten, Codestruktur (Funktionen, Klassen, Methoden, Variablen) und Beziehungen (Aufrufe, Vererbung, Enthaltensein) in .skt-Dateien zu extrahieren.
  • codeknit-fingerprint: Lehrt Assistenten, duplizierten und beinahe-duplizierten Code mithilfe von fuzzy hashing zu erkennen.

Jeder Skill enthält Dokumentation, die der Assistent bei Bedarf liest, um Nutzung, Flags, Ausgabemodi und Workflows zu verstehen.

Kopieren Sie die Skill-Verzeichnisse in den Skills-Ordner Ihres Assistenten.

Für Kiro:

Terminal window
cp -r skills/codeknit-parse ~/.kiro/skills/codeknit-parse
cp -r skills/codeknit-fingerprint ~/.kiro/skills/codeknit-fingerprint

Für Claude Code:

Terminal window
cp -r skills/codeknit-parse ~/.claude/skills/codeknit-parse
cp -r skills/codeknit-fingerprint ~/.claude/skills/codeknit-fingerprint

Nach der Installation weiß der Assistent automatisch, wie er codeknit-Befehle aufrufen, geeignete Flags auswählen und .skt-Ausgaben interpretieren kann.

Der codeknit-parse-Skill lehrt Assistenten:

  • codeknit parse mit geeigneten Flags für verschiedene Szenarien auszuführen
  • Den richtigen Ausgabemodus zu wählen:
    • directory-flat (Standard) für die meisten Projekte
    • inline für einzelne Dateien oder kleine Eingaben
    • directory-tree, um die Quellstruktur widerzuspiegeln
  • .skt-Ausgabedateien zu lesen und zu interpretieren, einschließlich [symbols], [edges] und optionaler [dict]-Abschnitte
  • Strukturelle Daten für Refactoring, Abhängigkeitskartierung und Code-Reviews zu nutzen
  • codeknit graph analyze für tiefere Einblicke in die Codequalität auszuführen (zyklische Abhängigkeiten, Hub-Symbole, god classes usw.)

Der codeknit-fingerprint-Skill lehrt Assistenten:

  • codeknit fingerprint für Duplikaterkennung, DRY-Audits und Refactoring-Identifikation zu verwenden
  • Geeignete Ähnlichkeitsbereiche auszuwählen (--min-similarity, --max-similarity)
  • Den [duplicates]-Abschnitt zu lesen, um beinahe-duplizierten Code zu identifizieren
  • Zu verstehen, dass Fingerprints die strukturelle Form messen, nicht die semantische Absicht
  • --rerank mit Ollama-Embeddings zu verwenden, um falsch-positive Ergebnisse bei Bedarf zu reduzieren
  1. Bitten Sie den Assistenten, die Struktur Ihres Codebase zu analysieren
  2. Er führt codeknit parse ./src aus und liest die resultierenden .skt-Dateien
  3. Er beantwortet strukturelle Fragen: Abhängigkeiten, Aufrufketten, dead code
  4. Für tiefere Einblicke führt er codeknit graph analyze ./src aus und interpretiert den Bericht
[symbols]
## src/service.go
S1 type/struct L5-L8 AuthService {}
S2 callable/method L10-L15 Authenticate(token: string) {receiver=*AuthService}
[edges]
S1 --contains--> S2
  1. Bitten Sie den Assistenten, duplizierten Code zu finden
  2. Er führt codeknit fingerprint ./src aus
  3. Er liest den [duplicates]-Abschnitt in der Ausgabe
  4. Er untersucht die markierten Paare und schlägt Konsolidierungen vor
[duplicates]
S1, S2: 87% Ähnlichkeit
S3, S4: 76% Ähnlichkeit
  • Lesen Sie immer .skt-Dateien, nicht den Rohquellcode, für strukturelle Fragen — sie enthalten die extrahierte Struktur in einem kompakten, zuverlässigen Format
  • Verwenden Sie codeknit graph analyze, um Codequalitätsprobleme wie zyklische Abhängigkeiten, Hub-Symbole und tiefe Vererbungsketten aufzudecken
  • Führen Sie codeknit fingerprint vor großen Refactorings aus, um kopierten Code zu identifizieren, der konsolidiert werden sollte
  • Das .skt-Format ist darauf ausgelegt, token-effizient zu sein, was es ideal für LLM-Kontextfenster macht
  • Verwenden Sie --minify, um den Token-Verbrauch bei der Verarbeitung großer Codebasen weiter zu reduzieren