deep-code-intelligence

用途

Deep Code Intelligence 是一套用于处理“速度会损害质量”的编程问题的工作流，主要面向架构决策、根因调查和高风险重构规划等场景。其核心原则是证据优先、建议其次。

主要能力

该工作流包含六个步骤：

1. 框定问题：用一段话重述目标、约束以及判断错误的隐藏成本。即使使用者已经说明，也要写下来，因为框定会在审视中发生变化。

2. 构建证据表：使用包含“主张、来源、置信度、反证”四列的表格。没有这张表就不给出建议；如果填不满，说明了解还不够，需要继续阅读再综合。

3. 识别不变量与约束：包括代码必须保持的不变量（数据完整性、顺序、幂等性）、来自环境的约束（运行时版本、数据库版本、预算、时间线），以及 Claude 正在做出的假设（需明确标注为假设分支）。

4. 构建假设树：调试/诊断场景下构建至少 3 个分支的根因树，每个分支包含主张、支持证据数、反对证据数、验证步骤（最便宜的确认或反驳检查）。设计场景下构建至少 3 个选项的备选方案树，每个选项包含草图、成本（工作量、运行时、运维）、可逆性（能否撤销）、谁受益/谁受损。

5. 综合推荐：此时才给出推荐，包含所选路径及一句话理由、被拒绝的方案及原因、风险与缓解措施、以及推荐在生产环境失败时的回滚计划。

6. 诚实标注确定性：高置信度指证据多源且已处理反证；中置信度指有一些证据但存在若干假设；低置信度指需要更多研究并给出下一步最佳行动。绝不为了显得自信而升级确定性。

使用方式

当决策影响多个团队、出错成本达到数天工作量、存在不明显隐藏利益相关方（安全、合规、运维），或任务需要超出工作记忆的深度仓库上下文时，可路由至 principal-engineer-strategist 智能体。该智能体以更深的深度和更小的上下文压力运行同一工作流。

MCP 委派工具包括：

• 任务解析与起始文档：cc_docs_resolve_task(task)
• 并排比较两种方案：cc_docs_compare(["approach-a", "approach-b"])
• 检查模式匹配：cc_kb_pattern_template(name)

适用场景

适用于架构决策、根因调查、高风险重构规划、性能分析等需要深度分析而非快速响应的编程问题。

限制与反模式

应避免以下反模式：在证据表之前给出推荐（建议缺乏依据，常在细微处出错）；单分支假设树（并非真正的树，存在确认偏差）；忽略反证（打破主张的那一行才是关键）；在高风险工作中采用“快速行动”的框定（这正是出错的定义）。

参考文档：evidence-table-format.md，包含证据表列模式与示例。