synaptixs-spine（Spine） Skill 技能

技能简介

Spine（PyPI 包名 synaptixs-spine，命令行工具 orchestrator） 是一款"需求 → 经过评审与测试的 Pull Request"的自主交付编排平台，全程保留人工控制。它从 Confluence、Notion、Markdown 或 OpenSpec 读取需求，为目标代码库构建带 file:line 出处的确定性代码知识图谱，再基于仓库既有结构与约定生成代码。在消耗任何模型 token 之前，你可以先检查图谱与构建计划；本地构建完成后，再由你决定何时推送 PR 进入人工评审。项目以 MIT 协议开源。

核心能力

1. 需求摄取与待办管理：ingest、backlog、openspec draft 把工单转成规格与可追踪待办；经 MCP 读取的 Jira 工单同样携带评论、链接与附件。
2. 确定性代码理解：用各语言解析器构建知识图谱，每条边都带 file:line 出处；CI 对人工标注语料计算精度与召回并做回归门禁（如 TypeScript CALLS 召回 0.86）。
3. 14 种语言的代码生成：Python、Java、TypeScript、JavaScript、C#、C、C++、Go、Rust、PHP、Perl、Kotlin、SQL 等，覆盖 Spring MVC、Ktor、ASP.NET Core、EF Core、Room、Retrofit 等框架的端点与数据层边。
4. 双人工审批门与安全护栏：sdlc plan → sdlc approve → sdlc autorun 流程；构建前与合并前各设一道审批，--safe 模式不做任何外部写入；单次运行有花费预算（默认 25 美元）、写守卫、工具白名单与只追加审计日志。
5. MCP 双向互通：既能消费外部 MCP 工具、数据库 schema 与文档（mcp ingest-db / mcp ingest-docs），也能作为 MCP server 被 Claude Code、Codex 或 IDE 调用同一条流水线。
6. 可度量、可审计：bug 语料上 38 张工单中 27 张的修复文件进入候选前十；图谱精度、基准方法与局限全部公开在 BENCHMARK.md；运行可导出与回放。

安装配置

1. 基础安装：uv tool install synaptixs-spine，基础包即可跑通 Python 示例。
2. 可选扩展：[sdlc] 用于构建，[all] 含 Agent 插件与全部语言解析器，[clang] 增加 C/C++ 成员调用边，[sql] / [kotlin] / [rust] 按需追加。
3. 模型配置：通过 LiteLLM 配置 Anthropic、OpenAI、Bedrock，或完全本地的 Ollama 模型，且可按阶段分别指定模型；凭据与排错见 SETUP.md。
4. 进阶组件：多工单自主流水线与审批面板需要 Temporal + Postgres；日常单特性开发不需要 Docker 与数据库。

使用步骤

1. 跑通官方示例：按 EXAMPLE.md 跟一张真实工单，理解阶段无需任何凭据。
2. 查看仓库状态：orchestrator state /path/to/repo，不指定输出文件时不写任何东西。
3. 构建知识库：orchestrator understand 生成可评审的 episteme/ 知识库。
4. 本地构建特性：配置模型后执行 sdlc feature --safe，在本地分支生成代码与 diff。
5. 审批与上线：sdlc plan 检查构建文档 → sdlc approve 人工批准 → --live 推送 PR，人工合并后 complete 回写工单闭环。

适用场景

1. 工单驱动的企业功能开发：把 Jira / Confluence 需求自动转成带证据的可评审 PR。
2. 多语言存量仓库改造：跨 14 种语言做调用图、blast_radius 爆炸半径与影响面分析。
3. 需要合规审计的研发组织：审批门、预算上限、只追加审计日志、运行导出与回放。
4. AI 编程质量治理：用语料精度门禁约束生成代码的图谱接地质量，防止"自信的错误"。
5. 文档-代码证据链：仓库文档、Confluence/Jira 页面乃至 RAG 分块都可通过 MCP 拉入规格证据。

适用人群

中大型研发团队的 Tech Lead、平台与效率工程团队、希望"AI 写码但人工把关"的工程管理者，以及研究代码图谱与 AI 编程评测的技术人员。

工作原理

Spine 先用各语言解析器（tree-sitter 系）把仓库解析成带出处的确定性知识图谱并持久化为 episteme/；再从需求源抽取规格、把验收标准逐条绑定到 file:line 证据，生成供人评审的构建文档。人工批准后，代码生成在受控工作区中进行，写守卫、工具白名单与花费预算共同约束运行；测试与 lint 通过后才产出 PR，最后由人评审合并并回写追踪系统。图谱来自解析器而非模型猜测，因此每条结论都可追溯。

官方链接

• PyPI：https://pypi.org/project/synaptixs-spine/
• GitHub：https://github.com/synaptixs/spine
• 安装与排错：https://github.com/synaptixs/spine/blob/main/SETUP.md
• 基准与局限：https://github.com/synaptixs/spine/blob/main/BENCHMARK.md