Utilisation avec les assistants IA

codeknit est livré avec des compétences prêtes à l’emploi qui enseignent aux assistants de codage IA comment l’utiliser efficacement. Ces compétences permettent aux assistants d’extraire la structure du code, de détecter les doublons et d’effectuer une analyse de graphe sans sollicitation manuelle.

Aperçu des compétences

codeknit fournit deux compétences :

• codeknit-parse : Apprend aux assistants à extraire la structure du code (fonctions, classes, méthodes, variables) et les relations (appels, héritage, inclusion) dans des fichiers .skt.
• codeknit-fingerprint : Apprend aux assistants à détecter le code dupliqué et les quasi-doublons en utilisant le fuzzy hashing.

Chaque compétence inclut une documentation que l’assistant lit à la demande pour comprendre l’utilisation, les flags, les formats de sortie et les workflows.

Installation

Copiez les répertoires des compétences dans le dossier des compétences de votre assistant.

Pour Kiro :

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

Pour Claude Code :

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

Après l’installation, l’assistant sait automatiquement comment invoquer les commandes codeknit, sélectionner les flags appropriés et interpréter la sortie .skt.

Ce que chaque compétence enseigne

codeknit-parse

La compétence codeknit-parse apprend aux assistants à :

• Exécuter codeknit parse avec les flags appropriés pour différents scénarios
• Choisir le bon mode de sortie :
  • directory-flat (par défaut) pour la plupart des projets
  • inline pour les fichiers uniques ou les petites entrées
  • directory-tree pour refléter la structure source
• Lire et interpréter les fichiers de sortie .skt, y compris les sections [symbols], [edges], et les sections optionnelles [dict]
• Utiliser les données structurelles pour le refactoring, la cartographie des dépendances et la revue de code
• Exécuter codeknit graph analyze pour des insights plus profonds sur la qualité du code (dépendances cycliques, symboles hub, god classes, etc.)

codeknit-fingerprint

La compétence codeknit-fingerprint apprend aux assistants à :

• Utiliser codeknit fingerprint pour la détection de doublons, les audits DRY et l’identification de refactoring
• Sélectionner des plages de similarité appropriées (--min-similarity, --max-similarity)
• Lire la section [duplicates] pour identifier le code en quasi-doublon
• Comprendre que les fingerprints mesurent la forme structurelle, pas l’intention sémantique
• Utiliser --rerank avec les embeddings Ollama pour réduire les faux positifs lorsque nécessaire

Exemples de workflow

Analyse structurelle

1. Demandez à l’assistant d’analyser la structure de votre base de code
2. Il exécute codeknit parse ./src et lit les fichiers .skt résultants
3. Il répond aux questions structurelles : dépendances, chaînes d’appels, dead code
4. Pour des insights plus profonds, il exécute codeknit graph analyze ./src et interprète le rapport

[symbols]
## src/service.go
S1 type/struct L5-L8 AuthService {}
S2 callable/method L10-L15 Authenticate(token: string) {receiver=*AuthService}

[edges]
S1 --contains--> S2

Détection de doublons

1. Demandez à l’assistant de trouver du code dupliqué
2. Il exécute codeknit fingerprint ./src
3. Il lit la section [duplicates] dans la sortie
4. Il examine les paires signalées et propose une consolidation

[duplicates]
S1, S2: 87% similarité
S3, S4: 76% similarité

Conseils

• Lisez toujours les fichiers .skt, pas le code source brut, pour les questions structurelles — ils contiennent la structure extraite dans un format compact et fiable
• Utilisez codeknit graph analyze pour découvrir des problèmes de qualité du code comme les dépendances cycliques, les symboles hub et les chaînes d’héritage profondes
• Exécutez codeknit fingerprint avant les grands refactoring pour identifier le code copié-collé qui devrait être consolidé
• Le format .skt est conçu pour être économe en tokens, ce qui le rend idéal pour les fenêtres de contexte des LLM
• Utilisez --minify pour réduire davantage l’utilisation des tokens lors du traitement de grandes bases de code